协同演化算法是近年来计算智能研究的一个热点,本文将协同演化算法的构建机理进行拓展,将演化算法和博弈论相结合,基于博弈论的混合策略思想来设计新的协同演化算法,对原有的混合策略框架加以改进,将混合变异策略扩展到混合交叉策略,对演化算法的遗传算子、选择算子和搜索机制等提出新的协同策略,建立高效的协同演化模型和算法,并将新的协同演化算法用于函数优化、演化聚类、多议题协商和组合拍卖竞胜标确定问题等优化问题的求解。研究内容主要体现在以下几个方面:(1)在博弈论的混合策略思想的启发下,设计了新的混合策略,将新的变异算子加入到混合策略框架中,并将混合策略扩展到混合交叉策略,提出了基于混合交叉、混合变异策略的新的协同演化算法。所提的算法能够自动进行算子选择,可以在不同的演化阶段动态地利用最有效的算子。算法中同时采用多种进化模式,具有隐含的多子种群特性,新一代种群是在多种进化模式协同作用下产生的。(2)多目标优化问题一直以来都是研究学者们关注的热点,演化多目标优化的领域越来越多地引入了一些具有创新思想的优化框架。基本的演化多目标优化算法在复杂空间上的局部搜索能力较弱,通过引入适当的局部搜索可以保持对于搜索空间探索和开发间的平衡。本文利用基于分解的多目标进化算法框架(MOEA/D),将混合策略的进化算法用于求解分解后的若干单目标优化子问题,提出了一种带局部搜索的基于分解的多目标混合策略进化算法(LMS-MOEA/D)。算法利用均匀设计的方法产生子问题的聚合权重向量,混合交叉策略能够充分利用不同交叉算子的优势,同时算法针对演化过程收敛的特点,结合局部搜索策略,获得逼近Pareto前沿的最优解集。(3)针对FCM中数据点隶属度的计算是影响算法执行效率的主要因素,提出一种新的加速 FCM 算法(Accelerated fuzzyc-means,AFCM),用于加速 FCM 及基于 FCM的演化聚类算法。AFCM算法采用抽样初始化操作,产生较好的初始聚类中心,对于拥有较大隶属度的数据点,通过一步κ-means操作更新模糊聚类中心,同时仅更新小隶属度来达到加速FCM算法的目的。为了验证所提出方法的有效性并提高聚类算法的效率,将AFCM应用于基于演化算法的模糊聚类算法,提出了基于隶属度优化的演化聚类算法。在保持良好的聚类结果前提下,能够减少大规模数据集上聚类算法的计算时间。(4)现实的复杂协商环境中,关于对手的许多信息都是未知的,不利于满足各方的利益需求,甚至难以使协商达成一致。实际的协商系统应该具有有效的学习和决策机制,以便从可能变化的协商环境中获得动态的领域知识,本文提出了一种时间依赖的双边多议题优化协商模型,将Bayesian学习和基于混合策略的演化算法相结合,通过只观察对手的历史报价,所提模型使得协商agent能够对于对手协商参数的概率分布有更精确的估计(如期限、保留报价和议题权重等),能够适应性地调整让步策略使协商双方都受益,提高了协商的效率和成功率。(5)组合拍卖的竞胜标确定问题(WDP)的计算复杂性与拍卖效率之间的矛盾一直是影响组合拍卖广泛应用的主要障碍。本文提出适合于离散空间变异的新的混合变异策略集,并结合自组织优化算法对WDP问题进行求解,解决优化问题中容易局部收敛,求解速度和精度较低等问题。