众多现实中的问题最终都归结为优化问题，优化问题存在于各个领域。对优化问题的求解前人已研究出不少经典的数值方法，对某些问题确实能得到好的结果。但这些传统的优化方法存在以下一些缺点：对目标函数有较强的限制，如连续、可微等，方法对问题的依赖性较强，算法结果与初始值的选择有关，而且容易陷入局部极小值的缺点。 近年来蓬勃发展起来的演化算法被广泛应用于优化领域，其全局最优性、可并行性、高效性在函数优化中得到了广泛的应用。演化算法克服了传统数值方法的缺点，借助了大自然的演化过程，是多线索而非单线索的全局优化方法，采用的是种群和随机搜索的机制。演化计算在优化领域中的应用引起了人们的普遍关注，各种形式的演化算法层出不穷。其中郭涛算法和微粒群算法就是其中的典型代表，他们有着高效率快速的优点。 现有的函数优化研究大都是面向单峰函数优化问题的，但在现实生活中，很多数学、工程问题都是多峰函数优化问题，如神经网络的结构及权值优化问题，复杂系统参数及结构辨识问题等。对这种问题，当然可以采用多次优化计算直至发现所有峰值，但这不仅浪费时间，还不能保证各次计算收敛到多个不同的峰上。 文中首先将混沌机制引入郭涛算法中来进一步提高其局部搜索能力。然后将微粒群算法进行改造，使得它从能够快速求解单个最优解到多个全局最优解，取得较好的效果。最后我们将GT和PSO算法结合，分区域的求解复杂问题所有全局最优解，效果非常好。对于每一种改进策略，我们都给出了实例和分析。