现实世界中大量工程问题和数值问题等都存在大量的决策变量,当决策变量超过1000维时,称之为大规模全局优化(Large Scale Global Optimization简称LSGO)问题,并且随着科技发展,越来越多的伴随着越来越多决策变量的LSGO问题需要解决。LSGO问题的难点在于“维度灾难”,维度的增加导致搜索空间成指数倍增长,导致传统进化算法在解决LSGO问题时失效。协同进化算法是有效处理LSGO问题的方法之一,其基于分而治之的思想使协同进化算法在处理LSGO问题有非常大的优势。协同进化算法的实现主要分为3步,首先将一个大规模问题分解为多个低维子问题;然后在其它维度的协作下,分别对每个低维子问题进行优化;最后合并所有子问题的解。现有解决LSGO问题的算法在进化过程中易出现早熟收敛,多样性丢失,导致进化停滞。这些现象主要是由于种群陷入局部最优,以至于种群中多个个体出现重叠,导致维度缺失。由于已有分组策略不分小组重要性,平分计算资源,导致算法无法提高搜索质量。针对上述问题,本文的主要工作和研究内容如下:(1)介绍LSGO问题的基本概念以及LSGO问题的可分性,由于协同进化算法需要对LSGO问题的决策变量分组,同时可以达到分割搜索空间的目的,可以大大降低问题难度。选择协同进化算法解决LSGO问题,分析对比协同进化算法中常用的几种分组策略,分别介绍几种分组策略的原理,并通过实验测试了各分组策略的分组效果。(2)针对进化算法在进化过程中将种群中个体引导至局部最优,导致进化停滞,维度缺失,研究一种基于维度缺失检测与恢复的协同进化算法。当算法在进化过程中出现“种群退化,进化停滞”现象时,利用主成分分析方法原理对种群中信息缺失的维度进行检测,并在种群中选择适应度较差个体在缺失维度上进行收缩扩张以达到恢复的效果。在算法中设计维度缺失检测算子和维度恢复算子,结合协同算法框架,目的在于减小维度缺失检测的复杂度。实验分析证明,该算法能够降低度缺失检测的复杂度,增加种群多样性,提高算法性能。(3)针对LSGO问题中决策变量对输出的不均匀贡献,算法将有限计算资源平分给每个子分量的不合理性,提出基于重要性与相关性度量的协同进化算法。首先利用灵敏度分析方法识别决策变量对问题的敏感程度,并且分析决策变量对问题的贡献,并依此衡量各决策变量重要性。根据变量重要性对变量进行分层,根据变量间相关性对各层变量指导分组,使分组后的小组组间无相关性,组内高相关性,并根据小组重要性分配计算资源,比传统单纯相关性分组表现更好,实验表明提出的算法在解决LSGO问题时有明显的优势。