协同演化算法是近年来计算智能研究的一个热点,它是在传统演化算法的基础上发展起来的,将单一种群推广到两个或多个种群,进而建立个体或种群之间的竞争、合作关系,使之适应复杂系统的动态演化环境,以达到种群优化的目标。本论文从协同演化理论和演化算法相结合的角度出发,结合函数优化、约束优化、多目标优化和聚类等问题进行了较为深入地研究。针对不同问题设计了不同的演化策略,提出了几种新的算法,主要创新性工作概括如下:1.基于博弈论提出了一种混合策略的协同演化算法MSCEP。MSCEP算法集成了Gaussian、Cauchy、L′evy和单点等变异策略,根据每一代变异策略的性能动态调整不同变异策略的概率分布,不同变异策略产生的不同子种群协同演化。标准函数的实验结果表明,该算法具有较好的适应性、稳定性及较强的全局搜索能力。2.针对约束优化问题,将MSCEP算法与SMES算法处理约束优化的方法相结合,可求解不等式(等式)约束优化问题,提出了一种求解约束优化问题的混合策略演化算法CMSEP。标准测试函数的实验表明了算法的有效性。3.针对多目标优化问题,提出了一种混合策略多目标优化算法MSPEP。将MSCEP算法与强度Pareto2算法相结合,可求解多目标优化问题,标准测试函数的实验表明了算法的有效性。4.针对聚类问题,提出了一种聚类有效性度量函数FWSVF,从而提高了聚类有效性函数的性能。将MSCEP算法与FCM算法相结合提出了一种混合策略演化聚类算法MSECA,实验结果表明该方法避免了局部极值问题,比其它几种聚类算法具有更好的性能。