在科学研究和工程应用中,很多实际问题可转化为优化问题来求解。作为一类重要的优化工具,进化算法近年来受到了众多研究人员的密切关注。进化算法是一类模拟自然界中生物进化现象的启发式随机搜索算法,具有结构简单、性能优良、鲁棒性强的特点。与经典最优化算法相比,如:基于梯度信息的算法,进化算法对优化问题的数学性质要求不高,甚至可直接作为黑盒优化工具。因此,进化算法在很多实际优化问题中得到了广泛应用。近年来,随着优化问题的复杂程度越来超高,进化算法的性能也受到了极大挑战,主要表现为求解精度不高、收敛速度慢等。因此,如何提高进化算法的性能是亟待解决的问题。本文结合进化算法的自身特点,提出采用多元信息协同的思路来改进算法性能。在进化算法中,种群中的个体通常包含了多种信息:适应度信息、位置信息、以及邻域信息。这些信息有不同的特点,适应度信息可直观反映个体优劣,位置信息可表征个体的聚散程度,邻域信息可刻画种群的拓扑结构。多元信息协同的思路就是通过综合利用这些信息来设计相应的改进策略,从而提高算法的求解精度,加快收敛速度。本文针对两种代表性的进化算法:差分进化算法(DE)和人工蜂群算法(ABC),分别设计基于多元信息协同思路的改进策略,主要研究工作如下:(1)经典DE的性能高度依赖于变异策略及其控制参数。为提高DE可用性,基于多元信息协同的思路,本文提出了一种动态分组的多策略DE,简称为MIGDE。在MIGDE中,首先根据适应度信息和位置信息把种群划分为三组个体;其次,为这三组个体分别配置具备不同搜索能力的变异策略和参数值;最后,为进一步发挥中间组个体承上启下的作用,基于邻域信息,为中间组个体应用了邻域搜索操作。为验证算法性能,在22个广泛使用的测试函数上开展实验,与4种经典DE和8种知名的改进DE进行对比,实验结果表明MIGDE在求解精度和收敛速度上更具优势。此外,本文采用MIGDE用于求解两个实际优化问题:调频声波的参数估计和扩频雷达的多相位编码设计,实验结果表明:与经典DE相比,MIGDE的结果精度可分别提高88.7%和6.7%。(2)经典ABC存在勘探能力强,但开采能力弱的问题,使得算法收敛速度慢。为此,基于多元信息协同的思路,本文提出了一种基于优质信息学习的改进ABC,简称为SILABC。在SILABC中,首先基于邻域信息依概率应用邻域搜索操作;其次,把邻域搜索中保留的优质个体视为优质信息的提供者,供适应度差的个体进行学习;最后,基于适应度信息和位置信息进行优质信息学习。为验证算法性能,在32个广泛使用的测试函数上开展实验,与经典ABC、9种知名的改进ABC、以及3种其他进化算法进行对比,实验结果表明SILABC在求解精度和收敛速度上更具优势。此外,本文采用SILABC求解无线传感网络的节点覆盖优化问题。实验结果表明:与SILABC的结果精度提高了10.64%。