可靠性优化问题是工程领域内复杂的非线性数学规划问题,传统的优化技术无法在有限的时间内取得问题最优解。智能优化算法的出现为解决该类问题提供了一种新的有效的解决方案。它能够在有限的时间内得到复杂优化问题的近似最优解,解决了传统优化技术难以解决的问题,开启了优化技术领域的新篇章。目前对智能优化算法的研究取得了很多成果,但是算法本身尚普遍存在着一定的局限性,如早熟收敛,控制参数的设置和调节困难,结果精度低等问题。本文从智能优化算法本身存在的缺点和不足出发,以解决可靠性优化问题为主要目标,对智能优化算法在可靠性优化问题中的应用进行了改进,其主要的研究工作如下:(1)针对基本的差分进化算法中容易早熟收敛的问题,提出了一种改进的差分进化算法。所提出的新算法中将原始差分进化算法中的调节因子F和交叉概率CR两个参数设置为自适应调节的参数。对于调节因子F,每一代的进化都取新的值Fi,随着算法迭代次数的增加,使Fi的取值逐渐大于前i-1代的平均值Fmean;对于交叉概率CR也采用类似的策略,不同的是,随着迭代次数的增加,是CRi的取值小于平均值CRmean。同时,对于算法的选择策略也进行了改进。改进后的算法既增强了算法在迭代的过程中种群的多样性而避免了早熟收敛,又使算法在后期具有较快的收敛速度。仿真实验结果表明,该方法在解决串联系统可靠性优化问题上取得了良好的效果。针对智能优化算法工作过程中全局搜索和局部搜索的平衡问题,提出了结合Lévy飞行的差分进化算法。智能优化算法对解空间的搜索,理想的效果是全局搜索和局部搜索达到良好的平衡,即算法工作的前期在解空间中进行大面积的全局搜索以增强解的多样性,后期应是进行高效的局部搜索以加快收敛速度。所提出的方法很好的兼顾了算法全局搜索和局部搜索的平衡。通过对串并联系统可靠性优化问题的仿真实验,结果表明这种方法较好的平衡了全局搜索与局部搜索,取得了很好的结果。(2)针对蝙蝠算法解决可靠性优化问题时,收敛速度慢、解的精度低等问题,对蝙蝠算法的全局搜索策略和本地搜索策略进行了改进,提出一种改进的蝙蝠算法(IBA),使用该方法对复杂系统可靠性冗余优化问题进行了仿真实验,结果表明该方法在收敛速度上、解的精度上都有了大幅度的提高,并且具有更好的稳定性。(3)对内部搜索算法(Interior Search Algorithm,ISA)进行了研究,并用于解决大规模系统可靠性优化问题。对ISA算法的参数α进行了改进,提出了自适应参数的ISA算法。ISA算法中,参数α值越大,解的多样性越好;反之,参数α值越小,算法的局部搜索能力越强。基于这种特性,将ISA算法的参数α的初值设置为某一范围内的最大值,然后随着迭代次数的增加,使参数α的值逐渐变小,最后变化为最小值,这样既增强了算法工作前期解的多样性避免陷入局部最优,又在后期提高了收敛速度。仿真实验结果表明,算法在解决大规模系统可靠性优化问题上取得了很好的结果,并且算法在各方面性能指标上都得到了提高。(4)针对ISA算法解的精度低的问题,提出了二阶段的ISA算法。本算法将ISA算法的工作过程分为两个阶段:第一阶段利用基本的ISA算法获得初步最优解;第二阶段在此基础上,在初步最优解的周围做进一步的集中搜索,以得到增强的最优解。实验表明,该算法在解决大规模系统可靠性优化问题上,大幅度提高了解的精度和收敛速度,获得了良好的结果。(5)在智能优化算法的迭代过程中,新解的质量对算法的精度和收敛速度影响很大。差分策略产生高质量新解的能力较强。结合这一优点,将差分策略引入ISA算法来产生新的候选解。即在算法迭代的过程中,同时使用镜子搜索策略和差分策略产生新的候选解,然后采用竞争策略选取两者中较优的作为新的候选解。实验结果表明,算法在在解决大规模系统可靠性优化问题上,取得了良好的效果。