随着计算能力的提高以及优化模型的不断的完善,大规模优化问题已逐渐成为当下的热点问题。对于大规模优化,其主要面临的问题是维数灾难,即随着变量个数的增加,搜索空间呈指数增长,从而导致难以收敛到全局最优解,大大降低了全局算法的搜索能力。同时庞大的搜索空间包含大量的局部最优解,使优化算法搜索到全局最优解的概率大大降低。而在航空发动机结构优化领域,有许多大规模优化问题。如航空发动机压气机轮盘,其参数较多,轮盘级数能达到10级左右,优化变量个数能达到上百个,而且其分析计算非线性较强,目标函数多峰,特别是对于一些带约束的问题,可行区间较为狭窄,若采用经典优化算法极易陷入局部最优解。目前国内外学者大多分别对各级轮盘进行优化,优化完成后将优化结果组合起来形成新构型。这种分部优化的策略虽然能够减少优化问题的规模,但是却忽略了各级轮盘的相互作用,从而丢失原搜索空间的信息,导致优化结果陷入局部最优解或者出现过约束的情况。针对以上问题,本文将协同优化框架应用于多级轮盘的优化问题中,采用“分而治之”的策略,将大规模优化问题分解为一个个小规模的优化子问题,通过对子问题进行优化组合,并不断迭代从而获得全局最优解。在此基础上,本文还通过MCSR采样算法来初始化种群,使初始种群中在优化空间中分布更均匀,并提出一种动态协作策略,该策略可以在优化的初始阶段,补偿优化子空间中缺失的全局信息,从而保证种群个体的多样性,使算法能够收敛到全局最优解。在优化的收敛阶段,采用贪婪的协作策略来降低计算量。而对于航空发动机中的大规模优化问题,其单次分析时间较长,若采用合作型协同优化需要消耗大量的计算资源,因此本文将分布式并行框架应用于合作型协同优化算法,提高优化效率,本文具体内容如下:（1）为了使优化框架能够收敛到全局最优解,本文在将优化过程分为两个阶段,第一阶段为种群多样性阶段,引入MCSR采样算法来初始化种群,并从中选取一定数量的个体来补偿全局信息,第二阶段为收敛阶段,采用贪婪的协作策略将系统级的最优解保存下来,加速算法收敛。（2）由于协同优化框架采用启发式算法需要大量迭代计算,单台计算机的多进程并行已不能满足计算量的需求。因此利用分布式并行技术将各个优化子任务分配到网络中的各个节点上,并根据启发式算法的并行性,开启多个进程,多个个体同时计算,如此可大大提高计算效率。（3）本文将通过大规模数值算例,验证本文改进方法的有效性。最后将本文改进的合作型协同优化方法应用于航空发动机压气机多级轮盘减重优化中,验证其实用性。