科学研究与工程应用中的很多问题都可归结为全局优化问题,这类问题的目标函数通常表现为高维、非凸、不可微、存在大量局部最优等特点,传统的优化方法如弦截法、最速下降法等对它们无法有效求解,或者需要较长的计算时间。近年来所发展起来的元启发式方法,如遗传算法、粒子群优化算法等,能在合理的时间内求得问题的近优解甚至最优解,从而得到了极大的关注与发展。本文的主要目的是深入研究一种新型的元启发式算法——类电磁机制(Electromagnetism-like Mechanism, EM)算法,探索该算法在不同优化问题中的高效求解方法。首先,本文针对原EM算法的缺点,进行了相应的改进,并引进一种模式搜索算法与其结合,提出基于模式搜索的类电磁机制算法(PSEM算法),作为后续优化问题的基础算法。然后,根据提出的PSEM算法,分别针对多目标优化问题、神经网络训练问题以及带约束优化问题等开展了详细研究,在理论和应用方面取得了一些成果。最后,设计了基于以上理论研究的原型系统用于求解优化问题。本文的主要研究工作和创新之处具体体现在：针对无约束优化问题,简化了EM算法中合力的计算过程,采用一种简单的合力计算公式,提高了EM算法整体的求解效率；结合EM算法与一种变步长模式搜索策略,改善了原算法的局部搜索能力;在种群中增加了一个扰动点,提升了算法的全局搜索能力。数值试验结果表明,基于模式搜索的改进EM算法,比原EM算法具有更高的求解精度。针对多目标优化问题,PSEM算法做出如下改进：在算法中引入非支配解集；提出相应的电量计算公式与合力计算方法；引进NSGA-II中的快速非支配解排序方法和精英保留策略,并对其进行改进以提高种群的分散性,避免收敛提前；在移动过程中,针对越界情况,将该值直接设定为边界值。针对做出改进后的多目标EM算法,选用19个测试函数对其进行测试,做出了算法求解的非支配解集的图示,与已知Pareto最优解边界进行了对比。结果表明,改进的多目标EM算法在获得非支配解集过程中具有较好的收敛性与分散性。针对神经网络训练问题,提出了基于EM的神经网络训练算法,有效的改善了传统训练算法收敛缓慢、易陷入局部最优等缺陷,并将该算法应用于旅游需求预测问题。对于不同的问题,将神经网络分别与计量经济学方法、时间序列方法结合,设计了基于计量经济学和时间序列的神经网络预测模型,与其它方法比较,该类模型获得的结果具有更高的预测精度,验证了EM训练算法的有效性。针对约束优化问题,采用一种可行域与支配规则来处理约束,并改进EM算法的电量计算公式,提出了一种基于EM算法的约束处理方法,将EM算法由无约束优化领域推广到带约束优化领域。进一步,通过铣削加工参数优化问题验证了该算法的可行性和优越性,并且针对铣削加工参数优化问题存在的不能同时优化多个加工参数的缺点,提出了一种弹性的加工策略,实现了同时优化多个加工参数的目标。基于以上理论和实验研究成果,设计开发了一款基于EM算法的函数优化求解器mfcEM1.0,以推动EM算法的发展。详细介绍了该原型系统的各个功能模块以及系统的运行与实现,并通过一系列的函数优化实例验证了系统的可用性和有效性。最后,总结了全文所做的工作,并对未来的研究方向进行了展望。