作为一种重要的优化方法,进化算法以其实现简易、效果突出等优点在许多单目标连续优化问题上得到了广泛应用。然而,没有免费午餐定理(No Free Lunch Theorem)揭示了优化算法的性能和与被测试问题的匹配程度有关。尽管真实问题测试准确但是代价高昂,因此一般采用人工设计的测试问题。通过分析和构造问题特征使得人工设计的问题尽可能地体现真实问题的特性,因而进化算法在人工问题上的优良性能也被期待可以推广到真实问题。然而,面对层出不穷的复杂多样的真实问题,领域内目前在算法设计和问题设计上都面临巨大挑战。一方面,进化算法大多未基于对已知问题特性的分析而针对性设计,因而很难有效地应对这些复杂真实问题属性。另一方面,现有的测试问题相比整个真实问题全域,多样性复杂性不足,无法很好地检测算法的综合性能。本文受混合智能的启发,综合神经网络、多样性、局部搜索等多种思想和技术在测试问题构造和进化算法设计方面做了一定的探索。主要研究内容概括如下:1.在测试问题层面,提出了新型的神经多样化随机问题生成器框架(Chaotic Landscape Generator,CLG)。由于递归神经网络的权重随机和新型激活函数的多重扭曲,模型可以任意产生丰富多样的测试问题来综合评估优化算法的性能。2.在进化算法层面,以粒子群优化(Particle Swarm Optimization)算法为代表在特定属性问题的解决上做出了针对性改进。为了提升多峰(Multi-Modal)和病态(Ill-Conditioned)问题的解决能力,分别为粒子群算法引入鲍威尔方法(Powell Method)以及速度增强机制,通过增强搜索方向多样性和局部搜索能力来提高算法的探索能力,实验表明多种机制的针对性改进增强了原有算法的竞争力。