针对演化策略容易早熟、陷入局部最优以及求解精度不高等缺陷,近年来,很多的专家和学者对其进行了研究,也提出了很多的改进方案,但是算法易陷入局部最优以及收敛速度较慢等问题并未得到非常好的解决,而且在求解多峰优化和大规模优化的过程中出现了一些问题,本文的研究正是弥补演化策略算法的这些缺陷而展开研究的。论文中针对演化策略的问题进行了分析,并结合机器学习中的一些主流方法的设计改进了算法。改进后的算法有效融合了各自的优点,能够有效的解决演化策略所存在的一些问题。为了解决多峰优化问题,本文将高斯混合模型引入到演化策略,从而使得该算法能够同时定位多个最优解,从而提高了算法的性能；为了解决大规模优化问题,本文将几种演化策略的模型混合进行协同演化,从在一定程度上加速全局最优解的搜索速度,提高全局寻优性能；同时,论文将演化策略算法应用于河床水下地形的演变预测中,得到了满意的预测效果。主要研究工作概述如下：首先,为了能够定位多峰优化问题的多个最优解,本文提出了基于高斯分类器的一个MOPs新策略,称为基于高斯分类器的演进化策略(GCES)。我们研究了几种方法估计高斯混合模型(GMM)的协方差,并调整缩放因子(ZF),其在现有的进化策略(ES)族中是相当于全局步长(ES)的,从而在探索和开发之间取得平衡。GCES背后的想法是,每一个个体,即,在演化种群中的每一个可行的解决方案,首先,根据基于GMM当前发现的聚类的贝叶斯后验概率,将每个可行解分到不同的聚类。然后,每一个GMM在每一代,基于分类的结果独立地更新。为简化计算,每个GMM的先验概率被假定为相同的。这个过程一直持续到停止准则满足为止。该方法类似于小生境半径自适应协方差矩阵自适应ES (CMA-ES)。但是其中存在许多差异,其中最显著的差异在于概念的区别。在GCES中,高斯分类器被引入时不是使用的小生境半径,而是引入的小生境,在CMA-ES中则使用了小生境半径和个体之间的距离。没有半径的约束,该方法仅仅关注分类模型、概率分布估计的策略,因此相比CMA-ES及其变种需要较少的参数设置。其次,大量实际工程优化问题往往都是高维的,而目前的演化算法大部分都是针对维度1000维以下的优化问题,因此研究高维优化问题具有现实意义。我们采用了一种基于协同机制的混合演化策略算法来求解大规模优化问题：首先对优化问题进行分解,然后将几种演化策略算法协同求解该问题。采用分治策略是是理想的求解大规模优化问题的思路。针对目前比较流行的分治策略——差分分组(Differential Grouping, DG)算法进行研究,并提出了自己的改进方案：基于并查集的差分分组算法(Disjoint Differential Grouping, DDG)。然后提出了一种混合(μ,λ),的和(μ+λ)演化策略协同求解大规模优化问题：协同演化策略(Cooperatively Coevolving Evolutionary Strategies:CCES)。最后,论文研究了河床水下地形演变预测方面的问题。该问题要求利用求解历史资料,对中游浅滩河段演变进行分析,总结出相关规律,并运用现代先进的科技理论、手段、方法,模拟出浅滩变化过程,预测出未来一定时段浅滩演变情况,为航道维护及航道整治提供准确的决策指导,在现阶段显得尤其重要。首先我们结合数据特征,提出了时序细胞自动机的模型来对该问题进行建模,然后采用演化策略的方法来求解该参数化模型,并模拟河床演变过程并预测下阶段河床演变趋势,为航道维护提供科学指导,这一项目的研究无论在理论上还是在实际工作中对指导长江中游航道维护都有十分重要和深远的意义。以上提出的一些改进建议,大大提高了演化策略的性能,并扩展了演化策略的应用领域。仿真实验结果表明这些改进是可行的,具有收敛速度快、健壮性和稳定性的特点。