协同进化算法是受大自然中普遍存在的协同进化现象的启发而提出的全局优化算法,是进化算法研究领域的一个新兴热点。本文对协同进化算法的算法模型、理论基础进行了深入的分析,探讨了协同进化算法在函数优化和图像矢量量化中的应用,主要研究工作包含如下几个方面:1研究了进化计算和协同进化算法的现状。本文把进化计算分为传统进化算法和新兴进化算法两大类,传统进化算法包括遗传算法、进化规划、进化策略。新兴进化算法包括分布估计算法、差分进化算法、协同进化算法。经典遗传算法完全根据个体的染色体来计算个体的适应度,其适应度是绝对适应度。协同进化算法的核心是利用个体之间的协同关系来计算个体的适应度,其适应度是相对适应度。根据个体之间的协同关系是竞争类型还是合作类型,协同进化算法可以分为竞争协同进化算法和合作协同进化算法。竞争协同进化算法中的个体适应度取决于个体在竞争中能够打败的对手的数量和优秀程度。合作协同进化算法中的个体适应度决定于个体在合作中的表现。本文对这两类协同进化算法的应用、优缺点进行了总结,对应用协同进化算法过程中的关键问题进行了讨论。2提出了一种统一的协同进化算法(Unified Coevolutionary Algorithm, UCEA)。在UCEA中,个体存在两种适应度:染色体适应度和生存适应度,该模型能够体现生态系统中个体之间的多种关系,把个体所受的影响归纳为收益、受害、中性三种。提出了两种具体的UCEA模型:简单统一协同进化算法模型UCEA-I、改进的统一协同进化算法模型UCEA-II。在UCEA-I中,个体随机两两配对,产生协同关系,按照事先指定的概率产生有利、有害和中性影响。在UCEA-II中,个体的生存适应度受个体与最佳个体的海明距离的影响,在竞争排除原理和特征替代的影响下,可以促使个体充分变异,发生形态分化,从而刺激新颖积木块的出现。函数测试实验标明:与GA以及UCEA-I相比,UCEA-II的寻优性能具有非常明显的优势,表现出很强的全局寻优性能,验证了改进措施的有效性。3提出了一种新的基于竞争协同进化算法的函数优化方法。该算法把竞争协同进化算法和遗传算法结合在一起。算法中的个体具有两种适应度:绝对适应度和相对适应度。由染色体决定的适应度是绝对适应度,绝对适应度决定个体解决问题的能力。由个体在竞争中的表现决定的适应度是相对适应度,相对适应度决定个体的生存能力,生存能力由个体所击败的对手的数量和优秀程度来决定,个体在击败更多更优秀的对手的努力中逐渐进化。大量的函数优化实验结果表明:本文提出的算法能够有效地维持种群多样性;具有较快的收敛速度,更有效地跳出了局部最优,减轻了早熟收敛现象,表现出较强的寻优性能。4提出了一个基于协同进化算法的图像矢量量化码书设计算法。简述了矢量量化的基本原理,对应用于图像矢量量化码书设计的经典算法—LBG算法进行了介绍,分析了传统LBG算法的主要缺点:(1)码书性能强烈依赖于初始码书;(2)存在空包腔现象;(3)传统LBG算法所得的码书不是全局最优码书,而是局部最优码书。相应地,本章从三个方面对传统LBG算法的改进进行了研究:(1)提出了初始码字间距最大化的初始码书产生方法;(2)提出了基于边缘矢量的空包腔消去方法;(3)受生态进化中普遍存在的协同进化现象的启发,提出了基于协同进化算法的图像矢量量化码书设计方法,为全局码书的设计提供了一种新的思路。