本论文共分四章,研究内容主要集中在:改进进化算法模型,加强种群内部的协作机制以协调算法的局部搜索和全局勘探能力;将粒子群优化算法与传统的模糊C均值聚类算法相结合,利用基于T平方抽样的单峰分布的统计检验方法实现对未知模式集的自适应聚类分析.第二章研究了一种带记忆信息的协同进化算法.提出将种群划分为一个子种群和多个独立个体的思想以实现算法的局部搜索与全局勘探;通过设计协作算子和变异算子使种群内部进行有效的交叉与合并;数值实验给出了该算法与快速进化规划和组织进化数值优化算法之间的性能对比,并说明了本章算法的有效性.第三章针对模式识别中最常见的聚类问题,提出了一种基于粒子群优化的自适应模糊聚类算法.本章介绍了模糊C-均值聚类算法和粒子群优化算法的基本原理,并尝试结合这两种各具特色的搜索机制;通过引进基于T平方抽样的单峰分布的统计检验方法以实现对模式集聚类趋势和有效性的分析.数值实验说明了本章算法的合理性和有效性.最后,是本文研究工作的总结和展望.比较系统的回顾了本文提出的两种算法的构造思想和创新之处,同时也指出本文研究工作中的不足和算法中的有待改进之处.