通过模拟自然界的自组织、自适应、自学习等现象,智能优化理论已经有效地解决了许多工程技术问题。然而,根据无免费午餐定理,任一算法都只适用于某类问题。因此,不同算法之间的耦合将是进一步提高算法性能的有效途径。本论文以萤火虫算法和细菌觅食算法为例,分别针对单目标、多目标、高维多目标等不同问题构造了高效耦合方式。主要研究内容如下:本文以萤火虫算法(Glowworm Swarm Optimization,GSO)和细菌觅食算法(Bacterial Foraging Optimization,BFO)为背景,针对萤火虫算法存在的固定步长、定向位置更新的缺点,设计了自适应步长调整策略及随机逐维扰动的位置更新策略;针对细菌觅食算法设计了两点交叉的复制算子;最后我们针对原算法中基于种群进化的策略设计了基于个体并行进化的耦合规则,将两种算法得到的最优个体替换原种群中的前两个个体。通过实验仿真表明,本文所提出的算法进一步提高了算法的性能。多目标优化问题和单目标优化问题存在很大差异,其个体之间存在着Pareto关系,因此,针对个体之间的Pareto关系,在趋向操作算子中设计了新的支配规则;为了保持种群的多样性,提高算法的收敛速度,提出了基于GSO交叉的复制算子以及基于交叉变异的驱散算子;此外,我们还引入了NSGA-II中的快速非支配排序和拥挤度距离方法来进行排序和选择个体;通过实验分析得出本文提出的MGSO-BFO算法与他人提出的算法相比具有更好的性能。高维多目标优化问题和多目标优化问题同样存在很大差异,因此,在多目标耦合算法的基础上针对高维多目标优化问题中的种群多样性变差的问题,我们对GSO的位置更新公式增加了高斯扰动,将差分进化思想引入到BFO的复制操作;针对高维多目标优化问题中的支配关系,设计了基于双外部解集构成的耦合规则;对于外部解集的内部更新我们引入了BFE方法来。最终我们在DTLZ和WFG函数上进行了实验,结果显示,该算法可以提高解的质量,增加算法的鲁棒性,可以很好的解决高维多目标优化问题。