进化计算是一类模拟自然界生物进化过程而建立起来的智能计算方法。近年来，运用进化计算解决约束优化问题(constrained optimization problems)已经得到了广泛的关注。约束优化问题是一类常见于实际工程应用中的问题，由于约束条件的多样性和复杂性，使得这类问题难以求解。因此，研究进化计算来解决约束优化问题具有十分重要的理论和应用前景。本文主要从进化计算中约束优化处理技术的最新研究成果出发，提出了一种多目标混合约束优化算法，用来求解约束优化问题。具体来说，本文的研究工作包含以下几个部分：一、分析多目标优化(multiobjective optimization)处理技术和群体中信息共享的重要性，为后续解决约束优化问题奠定技术基础。为了达到此目的，本文提出了一种基于群体间和群体内信息共享机制的改进型多目标草群算法(multiobjective invasive weed optimization)。在改进的多目标草群算法中，本文提出一种信息共享算子并且验证其有效性。二、本文采用差分进化算法(differential evolution)作为全局搜索过程和草群算法(invasiveweed optimization)作为局部细化过程，提出了一种混合约束优化算法。全局搜索保证了搜索过程的多样性，使得搜索不至于陷入局部最优解(suboptimal solution)而浪费计算资源；同时，局部细化保证了搜索算法的收敛性，使得算法在可能存在最优解的区域进行精细化搜索。本文将提出的混合算法应用于标准测试函数以及实际工程约束优化问题中，实验结果表明混合算法能够高效地找到测试函数和实际工程问题的最优解。同时，本文将混合算法与其它优秀(state-of-the-art)约束优化算法进行了比较。与其他算法相比，提出的混合算法非常具有竞争力。三、当进行局部细化过程时，草群算法需要设置一个“步长”参数，该参数决定局部搜索的精细化程度。然而，在算法运行前，将这个参数调节到一个合适的数值是非常困难的；况且在算法运行的不同阶段，参数具有不同的合适值。为解决这个问题，本文在混合算法的基础上，进一步提出了一种基于环形拓扑结构的改进型混合算法。利用环型拓扑结构能够有效估计个体邻近区域信息，通过邻近信息的估计可以自适应地确定局部细化时的“步长”，从而更有效地进行局部细化。同时，本文结合环型拓扑结构提出了一种改进的变异策略应用于差分进化算法，进而提高全局搜索性能。在实验部分，改进前后混合算法的比较验证了基于环形拓扑结构的自适应机制能够较好地提高算法的搜索优化性能。此外，与其它优秀(state-of-the-art)算法的比较也证实了改进的混合算法具有非常优异的性能。而且，本文详细地分析和讨论了混合算法中不同部件(component)对算法性能的影响。