近年来,深受广大研究者青睐的群智能优化算法（EAs）很大程度上提高了复杂优化问题的求解,并将其用于多种领域的研究。其中,猴群算法（Monkey Algorithm,MA）对于大规模多峰优化问题的求解性能相对较高,应用前景较广。但在一些较大规模离散问题的求解上,MA还存在一些缺点,因此对MA的进一步研究,具有重要的现实意义。针对MA在大规模离散问题上的求解性能,本文主要选用折扣{0-1}背包问题（D{0-1}KP）和有界背包问题（BKP）两类不同的大规模背包问题进行研究。由于MA本身在求解离散型问题时,易陷入局部最优的趋势,导致精度不高、收敛速度慢等缺点,因此需要对MA进行一定的改进,主要工作如下:1.针对D{0-1}KP,提出一种混合猴群算法（MMA）。通过将贪心核加速算子与MA进行融合,降低背包容量,进而减少计算时长,并将诱导因子引入爬过程中,避免陷入局部最优的趋势,再对不可行解采用修复策略进行修复,最后通过仿真实验对比分析,验证了改进的MA对于求解D{0-1}KP是有效的。2.BKP是组合优化问题中经典的NP完全难题,在MA的基础上,提出了一种改进猴群算法（IMA）用于求解该难题。主要采用自然数编码方式对猴群进行离散化,再将爬过程进行改进,并在望-跳过程后引入改进的合作过程,以加快算法的收敛速度,最后在翻过程中引入改进的信息共享机制和扰动机制,加强猴群之间的信息交流,避免陷入局部最优。利用仿真实验对三类大规模BKP实例进行验证,结果表明,提出的改进方法是有效的。3.为进一步减少MA参数的调整,针对BKP提出了一种基于环论的改进猴群算法（RTIMA）,该算法在减少了参数调整的基础上,增强了稳定性。RTIMA主要是在环理论基础上提出一种环论算子,即在IMA的基础上利用环论算子对爬过程进行改进,以此来减少参数的调整,降低算法时间复杂度。最后再与其他算法的计算结果进行比较分析,验证了该方法是可行的。