受企业管理领域中标竿管理理念的启发,本文针对现实世界中无处不在的优化问题,提出了一种新型的智能优化办法——标竿学习算法(Benchmark Learning Algorithm,BLA)。该算法根据标竿管理的核心价值观设计了一套基于动态小生境的竞个性学习机制,用主动学习式的搜索策略代替了传统的被动适应式的搜索策略,克服了现有的智能优化方法在运行过程中搜索方向不明确,无法保持种群多样性,无法适应动态问题求解等缺陷。在本文提出的搜索模式中,种群内个体的搜索行为不再是完全随机的、被动地适应性搜索,而是方向明确的、主动学习式搜索,即通过对学习对象的模仿和其他启发性信息,快速搜索到解空间的目标区域内,从而找到最优解；此外,整个小生境种群系统通过自组织学习实现了与环境的友好交互,解决了困扰所有现代智能优化方法的难题——搜索过程中保持种群多样性的难题,能够自适应地平衡算法的开发性(exploration)与利用性(exploitation),从而能够及时准确地侦测到环境的微小变化并跟踪极值点在搜索空间内的运动轨迹,因而具有天然的动态环境适应性。此外,本论文从理论和实验两个方面详细分析和论证r BLA中各项学习策略和各项控制参数对算法搜索性能的影响,并在此基础上给出了算法中各项学习策略和控制参数的最佳设定方案,从而为标竿学习算法的实际应用打下了坚实的理论基础。在将BLA与其他智能优化方法对四大类应用问题进行的仿真对比实验中,BLA既能够有效地处理静态问题和动态问题,也能够有效地处理连续型问题和离散型问题,与遗传算法(GA),粒了群算法(PSO)等现代智能优化方法相比,在静态优化能力,动态跟踪能力和环境适应能力等方面具有显著优势。本论文提出的标竿学习算法,其搜索和寻优模式不同于模仿自然界生物活动规律的GA和PSO等现代智能优化算法,而是对企业管理领域中标竿管理理念的提取和抽象,是一种完全区别于现有智能优化方法框架的、全新的搜索模式。这种将管理理论和工程技术相结合而提出的优化理论和搜索方法,为智能优化计算领域提供了一种新的思路。