在科学和工程等领域的诸多实际问题最终都需转化为数学模型和对模型的优化求解,优化理论和方法一直都是一个极具理论意义和应用价值的热点课题。现代智能优化算法的设计灵感源自于自然现象的运行机制,具备简单有效、普适性强的特点,为解决复杂优化问题提供了新的思路和手段。合理的勘探和开采策略是调整智能优化算法全局和局部搜索行为,增强其优化问题求解性能的关键。论文基于智能优化算法勘探和开采策略的调控机制,从优化问题的变量关系、算法参数有效设置、和算法搜索合理策略选择三个方面研究了智能优化算法的设计和应用问题,设计了六种勘探和开采策略控制型智能优化算法并应用于理论或实际优化问题。(1)提出了基于变量关系的智能优化算法勘探和开采能力增强策略研究了优化问题在最优性条件下隐含的变量关系,并利用变量关系降低优化问题的复杂度,提高智能优化算法的勘探和开采能力。第一,根据无约束一阶可导优化问题的最优性条件,发掘变量关系,提出一种变量约简策略;第二,根据约束优化问题中的等式约束,发掘变量关系,提出一种等式约束和变量约简策略;第三,根据约束优化问题中的有效不等式约束,发掘变量关系,提出一种局部搜索策略,加速算法的搜索过程。将每一种基于变量关系的策略与智能优化算法结合,应用于基准测试优化问题,实验结果表明基于变量关系的策略能显著增强智能优化算法求解优化问题的效率和质量。(2)提出基于变量约简策略的智能优化算法求解电力系统优化问题电力系统优化问题(包括输电定价优化问题、静态负荷优化分配问题、以及动态负荷优化分配问题)含有复杂的目标函数和约束条件。针对电力系统优化问题中的等式约束,设计等式约束和变量约简策略,并将该策略与智能优化算法结合,提高算法的勘探和开采能力。仿真实验表明,等式约束和变量约简策略能辅助智能优化算法获得各电力系统优化问题的最好解。(3)提出参数自适应的跨邻域搜索算法求解连续优化问题首先设计了一种新型的跨邻域搜索算法(Across neighborhood Search Algorithm,ANS),在ANS中,一群个体能跨多个优秀解邻域在优化问题的解空间中搜索。理论分析和仿真实验表明,ANS满足三个标准:原理简单和应用方便、具备独特优化机制、求解多种类型优化问题时性能突出。在应用ANS于优化问题时,算法的勘探和开采能力依赖于合理的参数设置。为了增强ANS的性能,设计了一种参数自适应策略,得到参数自适应跨邻域搜索算法(Parameter Adapted Across Neighborhood Search,PAANS)。该参数自适应策略基于不同参数值历史上对算法搜索性能的影响,即产生好解的参数值以较大的概率传递到算法的后续演化过程并扩散到整个种群。将算法应用于连续优化问题,仿真实验表明,与ANS以及其它几个优秀的粒子群算法和差分进化算法相比,PAANS的性能更加优越。(4)提出参数自适应的模拟退火算法求解对地观测资源协同规划问题研究了多类对地观测资源包括卫星、飞艇及无人机的协同规划问题,将该协同规划问题转化为一个任务分配问题,并设计自适应模拟退火算法求解该问题,在模拟退火算法中结合了自适应温度调整策略和禁忌列表,以动态控制模拟退化算法的勘探和开采性能。仿真实验表明,该算法能有效求解对地观测资源协同规划问题。(5)提出搜索策略动态选择的粒子群算法求解连续优化问题为了确保粒子群算法的勘探能力,设计了一种优秀解综合学习策略和一种粒子层变异搜索策略;另外,为了提高算法的开采能力,算法结合了四种局部搜索策略,包括基于梯度的BFGS和DFP高斯牛顿法,不依赖梯度的模式搜索(Pattern Search)法和单纯形搜索(Nelder-Mead simplex Search)法。根据算法的搜索状态,即判断算法是否已经陷入局部最优或已进入演化后期,而动态选择不同的搜索策略,实现算法勘探和开采能力的动态控制。将该算法应用于连续优化问题,通过大量仿真实验,验证了算法的性能,比较了不同局部搜索策略对算法性能的影响。(6)提出搜索策略动态选择的蚁群优化算法求解多星观测调度问题提出了一种混合局部搜索策略的蚁群优化算法解决卫星观测调度问题(SOSP)。把多星观测调度过程分为两个阶段:任务聚类阶段与任务调度阶段。在聚类阶段,构造了一种任务聚类图模型,并改进最小团划分算法来获得合理的聚类任务。在任务调度阶段,综合考虑初始任务和聚类任务,构造了无环有向图模型,并利用混合蚁群优化算法(ACO-LS)来生成问题的最优解或近似最优解。蚁群优化算法本身具有较强的勘探能力,为了提高算法的开采能力,对迭代过程中蚂蚁生成的可行解应用局部搜索策略,有效增强算法的性能。通过仿真实验验证了本文所提算法求解多星观测调度问题的有效性,任务聚类策略可以显著提高卫星观测调度的效率。