研究表明,文化能使种群以一定的速度进化和适应环境,而这个速度是超越单纯依靠基因遗传生物进化速度的。种群在进化过程中,个体知识的积累以及群体内部知识的交流在另外一个层面促进群体的进化,正是受这些思想的启发,Reynolds于1994年提出文化算法(Culture Algorithm),近年来引起国外众多学者关注,目前国内研究较少。文化算法是从文化进化过程抽取出来的一个新的进化计算框架,由群体空间和信念空间两大部分组成,其重要思想就在于从进化的种群中获取待解决问题的经验知识,并反馈这些经验知识来指导搜索过程,从而提高搜索效率。文化算法超越传统的进化算法,通过模拟微观、宏观两个层面的进化,更加准确地反映了物种的进化过程,与其他进化算法相比,文化算法提供了一种明确的机制来表示、存储和传递代进化时的知识,因此在一些问题上取得了比传统进化算法更好的结果,如在约束优化问题、动态环境优化、数据挖掘、多目标优化等方面都有成功的应用。但是由于对文化算法的研究才刚刚开始,还远没有像遗传算法和免疫算法那样形成系统的分析方法和一定的数学基础,有许多问题还需要进一步研究。尤其是并没有引起国内学者的足够重视,国内研究极少。因此有必要对文化算法进行深入研究和分析,对其来源、基本原理、特点,应用等方面展开系统全面的研究,以期引起国内更多学者的关注,为后续学者开展相关研究提供方便。本文主要工作如下:1.在查阅大量文献资料的基础上,对文化算法的来源、基本原理、机制、特点及应用等进行了系统研究和详细阐述。2.提出了一种基于模式学习的文化算法,该算法采用遗传算法为文化算法的群体空间提供种群,群体空间在进化过程中定期组织最差个体向信念空间提供的种群最优模式学习,从而充分利用了优秀个体所包含的特征信息,在很大程度上提高了收敛速度。3.提出了一种基于文化算法的粒子群优化算法来求解约束优化问题,该算法在群体空间采用基于高斯概率分布和柯西概率分布的改进PSO算法,在信念空间采用形势知识和规范化知识来指导种群的进化,实验表明,该算法能够充分利用优秀个体所包含的信息,提高了算法的进化速度。4.将基于模式学习的文化算法应用到建筑创新概念设计领域,实验表明,基于文化算法的建筑创新设计过程能够更加快速的生成符合用户需求的具有创新性的产品,并且几乎不需要设计者的干预,能够把设计者从繁重的人工评价中解脱出来,从而为文化算法开拓新的应用领域,同时也为建筑创新设计提供新的方法。