优化问题广泛存在于科学研究和实际工程中。随着应用场景愈发复杂,对优化问题的研究也愈发迫切。多模态优化问题是优化领域的一项重要组成部分,其目标是搜索解空间中的多个最优解或者近似最优解。在实践中,需要为决策者提供尽可能多的最佳解决方案,这样能够降低突发事件所带来的风险和损失。如何高效求解多模态优化问题受到了国内外学者的广泛关注。群体智能算法收敛速度快,为解决多模态优化问题,需要将算法与小生境技术结合。本文根据算法和策略的不同,提出了改进算法用于解决连续和离散的多模态优化问题,重点研究了改进算法解决多模态优化问题的有效性和局限性。研究内容主要包括:(1)改进松鼠搜索算法用于处理连续多模态优化问题。首先通过聚类算法划分种群,在子种群内并行进化,然后通过基于高斯分布的邻域搜索策略提高解的质量,最后采取排挤策略保留算法运行过程中发现的多个全局最优解。(2)改进蚁群算法用于处理离散多模态优化问题。与原算法相比,改进算法采用多个信息素矩阵引导蚂蚁搜索空间的不同区域,从而减缓种群收敛速度。由于扩大全局搜索范围减弱了算法的开发能力,因此采用2-opt策略随机选择解的某个区间段进行优化。为了保证算法返回的解的质量,通过预处理操作将算法当中的冗余解剔除。将提出的改进算法与其它多模态优化算法进行了比较,实验结果表明所提出的算法能够获得问题中大部分全局最优解,与其它算法相比具有一定的竞争力。