随着科技的进步,在许多领域例如计算生物,物流配送中的车辆调度,采矿,以及当下热门的大数据与人工智能领域等,很多实际应用模型都涉及到大规模优化问题的求解。在这类问题的求解上,一些传统的优化算法比如牛顿法,拟牛顿法,共轭梯度法等经典方法不再那么高效甚至是无效的。故而这类问题的求解是相当困难且具有现实研究意义的。求解这类的问题困难之处主要在于以下几点:一个是搜索空间巨大,目前的算法搜索效率较低,很难在给定的时间内找到全局最优解;另一个是局部最优解的个数众多,已有的跳出局部最优解的技术有效性不足,使得算法跳出局部最优解较为困难。如何在较短时间内找到全局最优解或者找出相对较好的近似解就显得尤为重要了。在这里,基于目前主流的两种求解这类问题的思路,我们提出了以下两种不同的启发式算法:1、基于不同搜索策略的自适应混合搜索算法。它包含整体空间的搜索,低维空间的搜索和一维空间的搜索三种策略以及种群重启机制。我们期望它能够适应不同函数的特点自动调整搜索策略,从而扩展算法的应用范围,并且尽可能地提高搜索效率。另外,该算法可以根据不同阶段不同策略的表现,在搜索过程中自适应地为不同的优化策略合理地分配函数评估次数。此外,可以根据先前的表现以自适应的方式动态地调整搜索过程中相关的参数包括搜索范围,优化变量以及判断是否陷入局部最优解,并触发相应的重启机制。总之,我们希望算法能够根据不同函数在不同搜索阶段的特点自由地做出合理的抉择,以便提高算法的搜索效率以及扩大算法的实际应用范围。最后,我们在大规模优化常用的标准测试集CEC 2013上做了相应的实验仿真,并和一些著名的算法做了对比,结果表明这种混合搜索算法是相当具有竞争力的。无论是在完全可分,部分可分还是完全不可分函数上均有着良好的表现,达到了该算法设计的初衷。2、基于变量分组的协同进化搜索算法。不同于上述的混合搜索算法,以上的算法主要是使用混合搜索,整合了多种搜索策略在解空间中进行搜索。而该算法主要基于变量分组的方法。首先,我们提出了一种新的变量分组方法,主要是基于变量之间的相关性。这种分组方法对原有的方法做了一些改进,不仅扩大了现有变量分组的适用范围,而且还考虑到了变量的优化顺序对问题的求解所带来的影响。在对变量进行合理分组的基础上,我们又设计了针对不同变量组的函数评估次数进行动态分配的策略。第一轮,我们对不同的变量组分配相同的函数评估次数,接下来的优化轮次中函数评估分配包含两部分,一部分是对每个组分配相同的较少的函数评估次数,然后另一部分根据上一轮单位函数评估次数的函数值下降率进行分配。这是一种类似基础加绩效的分配原则。最后,我们同样在通用的测试集CEC 2013上进行了相应的实验,并且与几个目前公认的优秀算法做了对比,结果表明我们的算法表现相当优异,无论是在完全可分,还是部分可分的函数上都取得了相当好的效果。但是在完全不可分函数的求解上目前没有较为高效的办法,所以这类问题值得人们更深入的研究。