针对麻雀搜索算法（SSA）存在寻优精度不高且易陷入局部最优的问题，提出一种基于多个改进策略的增强麻雀搜索算法（EMISSA）。首先，为平衡算法的全局和局部搜索能力，引入模糊逻辑来动态调整麻雀发现者的规模；其次，对麻雀跟随者进行混合差分变异操作以产生变异子群，从而增强EMISSA跳出局部最优的能力；最后，通过拓扑对立学习（TOBL）产生当前麻雀发现者个体的拓扑对立解，以充分挖掘搜索空间内的优质位置信息。通过2013年进化计算大会（CEC2013）中的12个测试函数评估EMISSA、标准SSA以及混沌麻雀搜索优化算法（CSSOA）等改进麻雀算法的性能。实验结果表明，EMISSA在30维情况下，在12个测试函数上获得了11个第一；在80维情况下，在所有的测试函数上都获得了第一。而在Friedman检验中，EMISSA的排名均获得了第一。将EMISSA应用于障碍物环境下的无线传感器网络（WSN）节点部署，实验结果表明，相较于其他算法，EMISSA获得了最高的无线节点覆盖率，节点分布更均匀，覆盖冗余更少。

为提高YYPO-SA1的性能，提出了一种基于动态D向分割和混沌扰动的阴阳对优化算法（NYYPO）。首先，基于牛顿衰减机制来动态调整YYPO-SA1中的D向分割概率；然后，在分割阶段加入混沌扰动策略，NYYPO利用动态调整机制在搜索前期使用较大的D向分割概率，在搜索后期则使用较小的D向分割概率，从而提高了算法的全局搜索能力，同时使用混沌扰动策略丰富了解的多样性，并提高了算法跳出局部最优的能力；最后，将NYYPO应用于风力发电机的参数优化设计问题。选用了15个单峰、多峰和组合测试函数进行性能评估，将NYYPO、YYPO-SA1以及6个代表性的单目标优化算法：粒子群优化（PSO）算法、乌鸦搜索算法（CSA）、灰狼优化算法（GWO）、鲸鱼优化算法（WOA）、花授粉算法（FPA）、麻雀搜索算法（SSA）进行性能评测比较。结果表明NYYPO相较于YYPO-SA1在Sphere函数上有着12个数量级的提升。而在Friedman检验中NYYPO在10维、30维、50维的时候的平均排名分别为2.87、2.0、1.93，均为总排名第一，可见NYYPO在统计学意义上具有显著的性能优势。同时，在风力发电机参数优化设计问题中NYYPO也取得了更好的优化结果。