随着现代社会的不断发展,保险作为一种规避风险的重要投资手段,越来越受到投资者们的欢迎。面对市场上众多的保险公司和保险产品,如何在其中选择合适的产品进行投资组合,成为了很多投资者关注的热点问题。然而,由于保险的收益在不同情境下的差异可能很大,保险投资组合优化问题一般伴随着很强的不确定性。分布估计算法是一种基于概率分布的随机优化算法,由于其自身固有的随机性与问题不确定性之间的一致性,具有很强的处理不确定优化问题的潜力。因此,本文基于分布估计算法来寻找保险投资组合优化问题的最优解。然而,由于保险投资组合优化问题对不确定的情境有很强的依赖性,给优化算法的研究带来了很大的困难与挑战,包括:（1）由于保险投资组合优化问题中具有很多约束条件并且同时包含离散和连续变量,传统的分布估计算法很难有效地找到问题的最优解。（2）当以团体作为投资的主体进行考虑时,随着投资组合方式的增加,问题的维度呈指数型增加,给优化带来了很大的难度。（3）由于保险投资组合优化问题对不确定情境的依赖性,通过参数的统计期望值不能很准确的对期望收益进行估计。而通过情境仿真的方法对期望收益进行估计,又需要耗费大量的计算资源。（4）由于保险投资组合优化问题对不确定情境的依赖性,导致收益的方差非常大且不稳定,很难用传统的代理模型对方差进行逼近。为了解决以上的困难与挑战,本文围绕着如何处理不同的保险投资组合优化问题,对分布估计算法进行了以下四个方面的研究:（1）针对单人保险投资组合优化模型复杂,难以求解的问题,提出了自适应分布估计算法。利用保险市场中的海量历史数据,构建了一个考虑了费率、风险、回报等各不相同的多种储蓄保险以及保障范围不同的医疗保险的数据驱动保险投资组合优化模型。为了对模型进行求解,本文提出了一种自适应的分布估计算法,通过上一代的优化结果自适应地选择采样模型生成新种群。该算法采用了一种新颖的约束处理机制来保证解的可行性,并且嵌入了混合变量的框架来同时处理问题中连续和离散的两种变量。（2）针对团体保险投资组合优化维度增加的问题,提出了协同进化分布估计算法。首先,由于投资组合方案中每个被保险人的收益可以单独计算,因此可以将团体保险投资组合优化问题分解为多个单人保险投资组合优化问题。与原始问题相比,分解后的子问题维度得到了降低,可以更准确的针对每个被保险人找到合适的保险投资组合方案。其次,由于每个被保险人的投资额受到团体可投资总额的限制,团体保险投资组合优化问题仍然是一个不可分割的问题。因此使用了粒子群优化算法来对分配给每个被保险人的投资额度进行优化。（3）针对团体保险投资组合优化对不确定情境的依赖性问题,提出了简化仿真聚类分布估计算法。在进化过程中,每一代只通过生成一个仿真情境来对解的优劣进行比较,优化问题的适应度值是每次仿真得到的仿真收益。这样能够大大降低情境仿真所需要耗费的计算资源。另外,基于这种简化仿真的方法,提出了一种在每一个仿真情境中都对算法进行比较并且综合考虑了算法在所有的仿真情境中表现的评估机制。这种评估机制可以充分利用每次仿真得到的解的信息。（4）针对多目标团体保险投资组合优化问题中方差难以估计的问题,提出了基于启发式估计模型的非支配排序聚类分布估计算法。由于在非支配排序方法中只需要对方差的排序进行逼近,就可以确定两个解之间的支配关系,本文基于历史数据构建了一个用于逼近方差排序的问题启发式估计模型。通过估计模型与方差之间的Spearman排序相关系数,证明了在搜索帕累托最优解时应用所提出的估计模型作为方差的替代是有效的。