作为一类启发式搜索算法,进化算法(EA)因其无需繁琐的数学公式推演和基于计算机仿真的快速运算能力,越来越受到国内外学者的关注与研究。考虑到优化问题广泛存在于科学研究和工程实践,本文就进化算法在单目标和多目标优化问题上展开研究,分别提出求解相应问题的改进算法。在单目标优化问题上,本文对差分进化算法(DE)展开深入研究,并提出一种新型的基于信息交互的差分进化改进算法。传统差分变异策略往往忽略来自种群个体间的交互信息的价值,而采用等概论随机选择种群中的个体构成目标向量、方向矢量和差分矢量等。考虑到以上问题,本文提出一种基于信息交互的策略(IIN),并将该策略运用于差分进化算法,构成基于信息交互的差分进化改进算法。该策略利用种群中个体间的信息交互,从而在迭代搜索过程中提供进化方向引导作用,进而增强算法性能。经实验证实INN策略的有效性,即基于IIN策略的改进算法在大多数测试问题上均显著提升原算法性能。在多目标优化问题上,本文对基于分解的多目标优化算法(MOEA/D)进行深入研究,并提出一种新型的基于邻域和变异算子组合优化的多目标优化改进算法。在传统的基于分解的多目标优化算法中,不同类型的变异算子和不同大小的邻域范围对种群进化过程中的探索模式有着不同的影响。考虑到以上因素,本文提出一种新型的基于组合优化的MOEA/D算法(MOEA/D-EON)。在改进算法中,四种大小不同的邻域范围和四个特性不同的变异算子两两组合构成候选池,而性能更佳的组合将在进化过程中有更高的概率被用于种群优化。实验结果表明,相较于传统MOEA/D算法和现有优秀的MOEA/D改进算法,本文提出的MOEA/D-EON算法具有更显著的算法性能。