无功优化是改善电压质量、降低系统有功损耗和提高系统稳定性的有效措施。本文针对无功优化进行研究，既有一定的理论意义，又有实际的应用价值。无功优化问题是多变量、多约束的混合非线性优化问题，具有多目标、多约束条件、多变量、连续变量和离散变量混合的特点。智能优化算法以其较好的收敛性能在无功优化领域获得了广泛关注，如遗传算法、粒子群算法和免疫算法等。智能优化算法作为群体型随机优化方法，初始种群中包含的信息对其性能有重要影响。由于初始种群随机产生，初始种群中包含的信息有较大的随机性，若信息较少，算法将以较高的概率收敛于局部最优解，即使最后能够收敛到全局最优解，也需要多次迭代，收敛速度较慢。通常采取较大种群规模使种群中有较多的信息，然而，在每一代计算中，抗体的评价次数与种群规模成正比，较大种群规模导致算法计算时间长，降低了优化效率。针对上述问题，本文提出利用均匀设计原理构造初始种群，使种群中的抗体均匀分布在解空间，与随机分比，在相同规模下，初始种群中包含的信息较多，有效提高算法的优化效率。克隆选择算法（CSA）是一种新型的智能优化算法，变异算子是其主要算子，对算法性能有重要影响。本文对变异算子进行深入研究，提出分级变异策略，根据亲和力对抗体进行分级，根据等级确定抗体的变异率和变异范围：较低等级中的抗体（比较优秀的抗体），采用小范围、小变异率变异，提高局部搜索能力；较高等级中的抗体（相对较差的抗体），采用大范围、大变异率变异，提高全局搜索能力，并维持种群多样性。对抗体接种疫苗能有效提高算法性能。然而，接种位按概率选择可能引起“接种浪费”，即接种位的基因与疫苗对应位的基因相同或相近，接种后抗体的亲和力没有改善或改善很小。对此，本文提出基于“距离”的接种位确定方法，即按照距离从大到小的原则确定接种位，有效避免“接种浪费”。多目标优化问题的最优解不是一个，而是一个最优解集合，即Pareto-最优解集。常规求解方法是将多目标聚合成单目标求解，有很大的局限性。本文结合克隆选择算法求解多目标优化问题，提出以下改进策略：①多种群并行搜索，对多个目标同时进行优化，有效提高算法的收敛性能；②构造非劣解集，保存进化过程中的非支配解，且通过删除拥挤距离较小的解，使非劣解集中的解分布均匀；③非支配选择，有利于算法向真实的Pareto-前端搜索，提高收敛速度；④最优折衷解提取，采用模糊集理论对最终非劣解集中的解进行标准化满意程度计算，方便用户进行选择。将均匀设计初始种群、分级变异策略和基于“距离”的疫苗接种策略用于克隆选择算法，提出基于均匀设计的改进克隆选择算法（UICSA）。将UICSA用于多目标优化，结合多种群并行搜索、构造非劣解集、非支配选择和最优折衷解提取等策略，提出基于均匀设计的改进多目标克隆选择算法（UIMCSA）。利用UICSA求解无功优化问题，在IEEE14节点系统和IEEE30节点系统上进行校验，与基本克隆选择算法和遗传算法相比，UICSA具有收敛速度快、稳定性好和解质量高的特点。利用UIMCSA求解多目标无功优化问题，在IEEE14节点系统和IEEE30节点系统上进行校验，与带精英策略的快速非支配排序遗传算法相比，UIMCSA具有收敛速度快、搜索得到的Pareto-前端接近真实的Pareto-前端以及最优解宽广均匀分布的特点。