优化问题大量存在于科学研究和工程应用中的各个领域,因而开展最优化方法的研究具有重要的理论意义和实用价值。随着对各类复杂系统优化问题的深入研究,传统的“自顶而下”的确定性优化算法遇到了很多的困难。而来源于对自然现象和物理现象的借鉴与模拟的随机优化算法通过自身的演化使许多在人类看起来高度复杂的问题得到了比较完美的解决。在随机优化算法中,群智能算法与进化算法则是两类十分重要的代表。本文对群智能算法中的人工蜂群和进化算法中的差分进化的算法改进和应用方面做了较为深入的研究。其中主要的研究内容和成果可以归纳如下:(1)针对人工蜂群算法以及现有改进算法的不足,提出了一种基于子种群的改进人工蜂群算法(SPABC)。采用分段Logistic方程的初始化方法产生初始解,提高算法的收敛速度。算法利用个体适应值与种群适应值平均值的比较,将种群划分为两个子种群,每个子种群采用不同的搜索方式,有效地平衡了不同搜索方式的探索和开发能力。与基本蜂群算法和其它改进蜂群算法进行比较,数值仿真结果表明本文算法在处理复杂数值优化问题时具有更好的寻优精度和收敛速度。(2)针对常见交通道路最短路径问题,提出了标准矩形网络的新概念,分析了其节点间最短路径的性质,并在此基础上给出了一种全新的最短路径求解算法(SRNSP)。此算法利用标准矩形网络的几何性质,简化了搜索方向和步长的判断,同时指出常见交通道路网络,一般均可以整体或部分化为标准矩形网络。与常用的求取最短路径的Dijkstra、Floyd、ACO、A*、PSO等算法进行仿真实验比较,实验结果表明对于大规模标准矩形道路网络本文算法具有更好的寻优精度、稳定性和寻优速度。(3)为有效提高差分进化(DE)算法的优化性能,提出一种动态多子群差分进化(DMSDE)算法,并将其用于解决电力系统经济负荷分配(Economic Load Dispatch,ELD)问题。从种群多样性的角度,DMSDE算法提出一种动态多子群策略,以增加算法跳出局部极值的可能性。设计一种平衡局部搜索和全局搜索的随机引导变异操作,提高搜索的有效性和广泛性。引入全局最优学习操作,防止算法早熟。与差分进化算法和各种改进的差分进化算法(DE/rand/1,DE/best/1,SaDE,JADE,ODE)及其他智能优化算法(CLPSO,IGHS,GABC,CS)相比,仿真数值结果表明了DMSDE算法的有效性。利用DMSDE算法来解决3机组、13机组和40机组的电力系统经济负荷分配问题。实验结果表明:DMSDE算法在电力系统经济负荷分配问题时可以得到比其他算法更好的优化结果。(4)提出了一种新的改进差分进化算法(IDE)用以解决系统可靠性冗余分配问题。在罚函数法基础上,对约束处理方法进行了改进。该新约束处理方法在搜索过程中不需要每一步均计算惩罚函数值,加快了寻优速度。新的约束处理方法还具有良好的通用性,完全可以引入其他智能优化算法中。将改进的算法用于求解四类典型的系统可靠性冗余分配问题,实验结果表明,改进算法具有很好的寻优精度和寻优速度。