自20世纪50年代人工智能便作为独立的科学领域不断发展，而生物启发式计算正是对人工智能的继承和发展，它是从自然界中个体以及群体的行为特征、演化特性出发，从中得到启示，总结出优化算法得以利用。而生物进化论、共生进化论以及复杂适应系统理论作为生物启发式计算的三个主要部分，已不能够满足现今不断发展的实际需求。因此，近些年学者们开始将协同进化理论引入到智能算法中，以使其得到更加广泛的应用。　　本文以生物协同进化为背景，在查阅和分析国内外相关领域研究成果的基础上，围绕生物协同进化中个体、群体、群落的行为特性，以及协同演化过程中信息交流模式展开相关研究，并基于生物种群间协同进化关系提出了三种算法:1）基于仅存在主种群的共生模型，提出了基于正交策略的多粒子群优化算法(OMSPSO);2)基于仅存在从种群的共进模型，提出了基于K均值聚类的多目标ABC算法(CMOABC);3)基于主从种群都存在的共栖模型，设计了基于生命周期理论的多算法融合方法(LCMEAs)。本文的具体研究工作概括如下:　　基于正交表策略的多粒子群优化算法(OMSPSO):原始PSO算法易陷入局部最优，并且存在震荡现象，本文对其进行改进，首先针对原始PSO算法易陷入局部最优的缺陷，利用多种群协同进化模型，将单种群独立进化改造成多种群协同进化模式;并借助层次拓扑的多种形式，丰富层次协同进化模型的信息交流模式，增进学习效果;其次为克服PSO算法在优化过程中存在的震荡现象，采用正交表策略，可根据个体位置信息、群内位置信息、群间位置信息，计算出潜在优化方向，服务于个体位置更新阶段，有效地提高了搜索效率;用标准函数测试算法性能，通过与其他经典算法比较，数值实验结果证明OMSPSO具有较高的寻优效率和搜索精度;并基于此优化算法对一款蝶形贴片天线的结构参数加以优化，通过对实际天线进行测试证实此算法优化出的天线可覆盖无线通信和RFID通信频带，进一步证实了此算法的实用性。　　基于K均值聚类的多目标蜂群算法(CMOABC):原始ABC算法收敛速度较慢，在本算法中对雇佣蜂阶段个体更新公式进行了改进，使其以一定概率向最优个体聚拢，增加其局部搜索能力，提高了收敛速度;为平衡算法的“探索”与“开发”之间的关系，通过引入K均值聚类方法，实现根据个体空间分布分组，避免个体过早的陷入局部最优，以提升算法全局搜索能力;并通过周期性改变子群（分组）数目实现子群间的信息交流;通过测试标准多目标函数，并比对多个经典多目标算法，证实算法在收敛精度和多样性上具有明显优势;在此处上，将该算法应用于电力系统优化调度中，实现了微型电网的有效配置，可有效平衡发电费用、污染排放与有功网损之间的关系，进一步证明该算法的实用性。　　基于生命周期理论的多算法融合协同优化方法(LCMEAs):不可能有一种算法适用于解决所有问题。为突破这一技术瓶颈，在该算法的设计中引入多种算法协同优化机制，将种群进行划分，每一个算法独立优化一个子群，此模式可以提升算法的可扩展性;并通过借鉴生命周期理论，构建了算法性能评价体系，以营养值为核心，使占据优良解空间的个体分裂（复制），而占据非优空间的个体消亡（移除），进而突出优势算法的核心地位，实现资源的自适应集中，提高了资源利用率;并通过采用相互学习策略，有效保持处于劣势算法依然具有搜索效用;通过测试大量标准、CEC2005、CEC2014等测试函数，证实了该方法的通用性;　　综上所述，本文从机理建模、算法设计和工程应用等多个层面，针对生物启发式优化算法展开研究，论文提出了三种层次协同演化算法，在具体的仿真和应用中证明其有效性，具有一定的理论和实际应用价值。