在科学研究和工程技术领域中,优化问题无处不在。这类问题往往带有复杂多样的约束条件,即约束优化问题。由于约束条件的加入,需要引入高效合理的约束处理策略才能获得问题的最优解;若同时考虑相互冲突的多个目标,则还需要多目标处理。因此,面对约束优化问题,如何应用约束处理策略和多目标处理方法十分关键。本文对约束单目标和约束多目标优化两类问题进行深入探讨,分别构建两类问题的数学模型,并结合相应的约束处理策略提出了两种帝国竞争算法,最后通过计算实验证明了约束处理和算法的优势。本文主要工作如下:(1)通过介绍课题研究背景及意义引出约束优化问题,分析约束优化问题的国内外研究现状及存在问题,详细阐述了约束优化处理策略以及与本文相关的三种智能优化算法。(2)针对约束单目标优化问题,提出一种字典序方法,将目标函数和约束违背程度同时优化,在此方法基础上设计一种新型帝国竞争算法,初始帝国构建中为了避免零势力的殖民国家出现,采用成本和归一化成本的新定义,同化中引入了对最优殖民地的全局搜索,革命则采用最优殖民地的局部搜索,并加入了殖民国家的差分进化,帝国竞争中利用帝国势力的新定义等策略提高解的质量。大量计算实验表明,并与全局最好人工蜂群算法和树种子算法比较,新型ICA均具有较强优势。(3)针对约束多目标优化问题,提出一种基于约束违背程度和Pareto支配的有效约束处理策略;设计了一种新型多目标帝国竞争算法,该算法采用一种简洁的初始帝国构建过程,引入了向外部档案内非劣解学习机制的同化,以及基于帝国势力新定义的帝国竞争新方法以获取问题高质量的解。通过大量仿真实验表明,并与NSGA-和改进的差分进化对比,所提出的算法的收敛性和分散性均有一定的优势。