现实世界中存在大量的优化问题,特别是在科学研究和工程实践领域,而这些问题往往都带有约束条件,且有时优化问题的目标还不止一个。由于问题自身的不同特点,运筹学中的传统方法已经难以独立解决。进化算法作为一种基于群体搜索的全局优化方法,十分适合于约束优化问题和多目标优化问题的求解。因此,进化优化研究受到国内外研究者们越来越多的关注,成为目前进化计算领域的研究热点。本论文旨在通过对进化算法进行深入的探索和研究,面向单目标约束优化、多目标优化和多目标约束优化设计高效的进化算法与策略,并进行相应的理论和实验分析。具体而言,本论文的主要研究工作包括以下几个方面:(1)针对单目标约束优化,为进一步提高对可行解空间进行精确偏向搜索的能力,给出了精确偏向搜索的三个前提条件,并结合随机排序方法提出了一种新的搜索偏向选择策略,以进化策略为基础进行了算法实现。为使进化算法获得可行的全局最优解,分析了在进化过程中如何对待好的不可行解的问题,通过分析随机排序中比较概率对可行解最终位置的影响,提出了一种动态随机选择策略,并以多个体差分进化为框架进行了算法实现,然后讨论了进化过程中比较概率的调整问题。实验结果分别表明了这两种策略的有效性。(2)针对多目标优化,通过对模拟二进制交叉算子以及进化策略中的变异和重组算子的对比分析,为稳态多目标进化算法ε-MOEA设计了一种正态分布交叉算子,该算子既具有与模拟二进制交叉算子相当的开发能力,又具有更强的空间搜索能力,实验结果表明该算子明显提高了算法ε-MOEA获得的非支配解集的质量。通过分析算法ε-MOEA中参数ε与非支配解集规模之间的关系,提出了一种新的自适应调整参数ε的策略,并应用于该算法中,实验结果表明了该策略的有效性:另外,讨论了自适应调整参数ε引起的遗传漂移问题,指出了两种情形下的遗传漂移,并给出了相应的解决思路与方案。通过引入归档集合,提出了一种参数ε自适应的稳态ε-MOEA算法,并对该算法的稳态性进行了理论证明;为降低算法的计算量,通过对归档集合设置规模上限并采用先进先出的更新策略,在实验中设计了一种近似稳态算法,并进行了相应的实验比较。(3)针对多目标约束优化,为提高边界搜索能力,提出了两种在多目标差分进化中选择当前最优解的模式。为获得了分布性更好的Pareto前沿,借鉴单目标约束优化中Runarsson与Yao的搜索偏向策略,将增强边界搜索的两个模式分别应用于进化多目标约束优化的搜索过程中,提出了一种混合算法DE-MOEA求解多目标约束优化问题,并在12个常用的测试函数上进行了实验。实验结果和分析表明,与求解多目标约束优化问题的经典算法CNSGA-Ⅱ相比,混合算法DE-MOEA具有更好的性能,特别是在获得的Pareto前沿的分布性上。另外,对混合算法DE-MOEA的参数设置也进行了分析和讨论。本论文通过对进化约束优化和进化多目标优化的研究,设计了面向单目标约束优化的搜索偏向选择策略和动态随机选择策略、面向多目标优化的正态分布交叉算子和参数ε自适应调整策略及参数ε自适应的稳态ε-MOEA算法、面向多目标约束优化的混合差分进化和遗传算法的方法。这些工作不仅对进化优化的研究有着重要的意义,也对进化算法的实际优化应用有着重要的意义。