在科学工程、商业管理等领域常出现含有大量决策变量、不同约束条件、或多个优化目标的复杂问题,传统优化方法很难解决。本文将对其中的大规模优化和多目标优化这两种问题进行深入研究。协同进化算法是解决复杂优化问题一种快速有效的方法,本文将对该算法的原理和研究现状进行调研,并结合大规模和多目标优化问题不同的特性和优化难点,针对性地改进协同进化算法,应用到两种问题的解决中。本文的主要研究内容如下:1)论文分别介绍了大规模优化问题、多目标优化问题的定义和研究现状,指出当前解决两种问题的主流算法和改进策略。同时分析了现有优化算法解决两种优化问题的难点和挑战。2)对协同进化算法的发展和研究现状进行调研。详细介绍协同进化算法的框架和原理,总结近期协同进化算法的主要改进方向,包括:设计新的进化策略,融合局部搜索,精英策略等,为本文的算法改进供理论依据和思路。3)协同进化算法解决大规模优化问题:在协同进化框架下出一种混合多种策略的差分进化算法。首先使用差分进化算法和模拟退火算法对种群进行协同优化,然后使用局部搜索链算法对个体进行精确搜索。这种优化机制平衡了算法全局搜索和局部搜索能力,有效克服早熟收敛。论文使用具有代表性的大规模测试函数进行实验,验证改进算法组成部分的必要性,以及相较于其他算法,本文算法在解决大规模优化问题时的竞争力。4)协同进化算法解决多目标优化问题:在协同进化框架下出一种混合多种策略的多目标进化算法。使用双种群协同策略进行优化:交叉策略和变异策略协同优化普通种群,局部搜索策略优化精英种群。在迭代的间隙,精英种群的解被迁移回普通种群加快进化速度。同时算法使用改进的非劣解选择策略,改善解集的分布性。论文使用具有不同解集特性的测试函数进行实验,验证算法组成部分的必要性。同时与经典多目标优化算法的结果进行比较,本文算法得到的非劣解集具有更好的收敛性和分布性。