随着人工智能的迅猛发展，大数据的爆炸式增长和问题的日趋复杂导致对并行智能计算的要求愈发迫切。近几十年来，受自然界启发的物理学法则和生物学方法逐渐成为研究热点，自然演化算法受到越来越多的研究人员的重视。自然演化算法具有高度并行性，可避免陷入局部最优和高效求解非凸问题等特点，能够有效地解决传统优化方法在求解效率和精度上不足。本文以解决组合优化问题和分类问题为出发点，提出了基于能量机制的动力学优化算法理论模型，并基于能量机制改进了帝国竞争算法用以优化SVM分类模型的参数。本文贡献总结如下:　　(1)提出了基于能量机制的多头绒泡菌动力学算法PEO(Physarum-Energy Dynamic Optimization Algorithm)。该算法以多头绒泡菌算法为基础，根据其动力学特征，引入能量机制，以改进现有算法的全局信息交互能力差、慢收敛等缺点。同时，算法引入了年龄因子的概念和扰动机制，以控制算法在不同阶段的寻优能力和收敛速度，使之能够避免算法由于过快收敛而陷入早熟收敛状态。此外，将PEO应用于TSP问题上进行实验以验证算法有效性，且从理论上证明了能量机制和年龄因子模型的有效性和收敛性。　　(2)基于能量机制模型提出改进帝国竞争算法EICA(Energy-Imperialist Competitive Algorithm)以优化帝国竞争算法中的同化策略。该改进的同化策略具有以下优点:引入殖民地间的信息交互影响因素，避免殖民地个体盲目趋于局部最优而陷入早熟收敛;可有效地解决原帝国竞争算法在求解高维度问题时，算法寻优效果骤降的问题。本文将EICA用于函数极值优化问题，并与其它智能算法对比，实验验证算法的有效性和收敛性。　　(3)基于改进帝国竞争算法EICA提出EICA-SVM算法以优化SVM参数模型的选择。该算法有效的解决了分类模型在训练参数过程中遇到的参数较多解空间过大等问题，并在UCI分类数据集上实验验证了其具有分类精度高、稳定性较好和时间代价小等优点。