进化计算是一种受自然界进化机制启发的基于种群的随机优化机制,近年来在许多领域的数值和组合优化问题上被证明是一种非常有效的方法。粒子群优化算法（particle swarm optimization,PSO）作为群智能进化算法的一种代表性的算法,以其原理简单且易于实现等优点成为进化计算领域重要的方法。相比于简单的低维度优化问题,大规模高维度优化问题由于其维数的增加,搜索空间会呈指数增长,被局部区域包围的局部最优解的数量也会呈爆炸式增加,形成所谓维数诅咒难题。因此,用传统的粒子群优化算法解决此类问题会带来陷入局部最优、多样性缺失和收敛性慢等问题。本文针对这一问题进行了以下研究:（1）针对大规模优化问题,提出了自适应分层模型,并与粒子选择策略结合,提出了自适应等级粒子群优化算法（AH-LSO）,从理论上证明了AH-LSO算法的多样性和收敛性。对该算法在CEC2010和CEC2013基准函数集上与其他6个优化算法进行了对比实验,t-test检验结果显示AH-LSO算法在大规模优化问题中具有明显的性能优势。（2）提出了针对大规模优化算法的两种多样性评估方法。由于大规模优化问题中搜索空间的复杂性,导致采用简单的几何多样性评估无法准确评估种群多样性。为了避免对算法多样性结果的高估,提出了适应值多样性评估法。又考虑到适应值多样性评估法无法反映种群中粒子的位置信息,因此进一步提出了综合多样性评估法。最后,用这两种评估方法和传统多样性评估法实验性的证明了AH-LSO算法的多样性。（3）用AH-LSO算法优化柔性神经树（FNT）模型,并将此模型应用于实际问题的识别和预测中。标准FNT模型一般都采用遗传算法、模拟退火算法或PSO算法来进行树结构的参数优化,会出现模型性能随着FNT节点数增加而显著降低的问题。针对这一问题,本文应用AH-LSO算法改进了传统的FNT模型,并在8个大规模真实数据集上验证了改进模型的有效性。（4）将AH-LSO算法应用于网络视频流量特征选择的实际应用中,结合数据引力模型（IDGC）构建了一个流量识别模型。对7个视频流量进行了识别,并与其他5个算法在该模型上做了对比实验,识别结果证明在该流量识别模型上AH-LSO算法可以提高识别准确率。