随着在诸多应用领域复杂优化问题上成功案例的报道,演化算法成为近二十年来人工智能领域发展最快的方向之一,许多新的算法被相继提出。不同算法在解决特定问题时表现出了不同的性能,这意味着实际应用时存在算法选择带来的风险。多算法组合(Algorithm Portfolio)已被验证是降低算法选择风险并提高算法鲁棒性的一种有效途径。本文研究多算法组合的策略,重点研究算法组合的架构和信息共享的形式,主要工作和成果如下。1、提出一种用于基于信息共享的组合演化算法框架(Evolutionary Algorithm Portfolios Based on Information Sharing, EAP-IS)。该框架中,每个子算法拥有自属私有种群,并独立演化,因而可以保持各算法的特性和演化过程的连续性。算法间的信息交互通过外设archive实现,即每隔一定的迁移间隔,各算法和archive之间进行一定数量的个体迁移。2、通过大量实验,对所提组合算法框架EAP_IS进行了测试和分析,取得了一些有意义的结果。基于5个代表性子算法,组合成26个组合演化算法实例,在CEC2005的25个测试函数上全面测试它们的性能,并与子算法性能进行对比。实验结果验证了EAP_IS能有效提升算法的总体性能并降低风险。然后探讨了参数设定对框架性能的影响。最后将EAP_IS与其他组合演化算法框架进行了实验对比,结果表明了本文框架的有效性和先进性。