演化计算是模拟自然界物种演化和聚群行为来解决优化问题的一类算法,在黑箱优化、组合优化、非凸优化和多目标优化中被广泛应用。本文聚焦于演化计算的一个分支:迁移演化计算,迁移演化计算是指种群中的个体通过隐式或显式的迁移来辅助优化的一类算法,具体可以分为多任务演化计算和并行演化计算两类。迁移演化计算作为传统演化计算的一个扩展,具有较为广阔的应用价值和研究意义。对于多任务演化计算,本文的贡献有两点:第一,针对多任务演化计算中最经典的多因子演化算法MFEA,我们从理论上分析了 MFEA在处理子函数维度不同的多任务优化问题时所存在的固有缺陷,并提出改进版本的异维多因子演化算法HD-MFEA。在HD-MFEA中,我们提出了异维选择交叉与自适应精英替换策略,使HD-MFEA可以在异维多任务环境下更好的进行基因迁移。同时,我们提出了异维多任务优化的基准测试问题,在测试问题上,HD-MFEA优于MFEA和其他改进算法。第二,我们扩展了多任务演化计算的应用范围,第一次将不同结构的神经网络训练问题等效为异维多任务优化问题。同时,针对神经网络的层次化特征,提出了可同时训练多个神经网络的异维多因子神经演化算法HD-MFEA Neuroevolution。通过在混沌时间序列数据集上的实验,我们发现HD-MFEA Neuroevolution算法远优于其他演化算法,且收敛速度和精度均优于现在神经网络训练中常用的梯度算法。对于并行演化计算,我们以狮群算法作为演化算法的一个范例,提出了用于解决旅行商问题的并行狮群算法。首先,通过在原始的狮群算法中引入离散编码与顺序交叉算子,我们提出了用于解决组合优化问题的离散狮群算法;然后,我们提出了基于岛屿模型的并行狮群算法,并行狮群算法采用环型拓扑结构,通过在相邻子种群间迁移最优个体来进行通信;最后,我们在不同的设备上对并行狮群算法进行了大量实验,验证了算法能给出较短的路线,且在不同的设备上均能达到较好的加速性能。