鳞虾群算法(Krill herd algorithm,KH)是一种基于群体智能的新型元启发算法,其主要受南极鳞虾群觅食行为启发,由gandomi于2012年首次提出。鳞虾群算法因其强大的局部开发能力,所需调整参数较少,易于实现而成为研究的热点。虽然在一些优化问题上KH比其他元启发算法有更好的寻优表现,但依然存在一些缺点,例如缺少一个选择初始磷虾群分布的优化策略、探索和开发能力间的平衡不足、全局收敛速度较慢等缺点。本文在理解鳞虾群算法基本思想,各参数意义及实现过程基础上,提出了2个改进版本的鳞虾群算法,分别是目标指向型鳞虾群算法(Target oriented krill herd algorithm,TOKH)和合作竞争鳞虾群算法(Cooperative competitive krill herd algorithm,CCKH),并深入研究了它们在结构可靠度的应用。在鳞虾群算法研究方面:针对鳞虾群算法全局收敛速度较慢缺点,本文提出了合作竞争鳞虾群算法(CCKH)。合作是在磷虾群运动计算前让最优磷虾和“虚拟食物”交叉以产生一个较好的候选解;竞争是在最优磷虾和“虚拟食物”间选择较好的一个策略来指引磷虾群运动。最后,基于李维飞行策略的寻优效率高于随机物理扩散,因此将李维飞行寻优策略替代随机扩散,进一步加快算法的全局收敛。针对鳞虾群全局探索和局部开发能力不均衡,以及鳞虾群初始分布未得到充分利用问题,本文提出了目标指向磷虾群算法(TOKH)。该算法首先修改了鳞虾群的初始分布,加大了对最优鳞虾和“虚拟食物”周围鳞虾分布的密度,其次交叉最优鳞虾和“虚拟食物”的位置以产生新的候选方案。蒙特卡洛模拟结果显示,TOKH较好地平衡全局探索和局部开发,提高了KH全局寻优能力。在工程应用研究方面:将改进后的目标指向型鳞虾群算法和合作竞争鳞虾群算法与结构可靠度的一次二阶矩法结合,通过添加一种罚函数,将约束优化问题转换到一般求解最优问题,从而求解出Hasofer-Lind可靠指标。三个算例的数值结果表明,应用目标指向型鳞虾群算法和合作竞争鳞虾群算法不仅可以在较高的精度下求解出结构失效概率,而且可以直接求解出结构失效点。同时,与蒙特卡洛模拟相比,TOKH和CCKH求解可靠指标所需的时间也大大减少,求解效率大大提高。本文对鳞虾群算法的改进措施,提高了鳞虾群算法的全局寻优性能,加快了算法的收敛速度,并为求解结构可靠度问题提供了新的方法和思路。在工程中,具有较好的实用性。