根据生态系统中物种间的关联性以及物种跟环境的连接而衍生形成的智能优化算法——协同进化算法(co-evolution algorithm，简称CEA)被提出。它是一种新型的进化算法框架。自从CEA被提出，便受到了生态学界的普遍认知。近几年来，海内外的专家学者将协同算法不断改进探索。并将协同算法广泛应用到众多领域内，具有广博的探索背景与使用价值。　　本文在总结前人研究成果的基础上对协同进化算法的发展历程，研究背景及应用领域进行了系统的阐述和简单的回顾。与此同时，为了弥补传统算法在函数寻优方面的不足，对协同进化算法进行了多个方面的改进。包括将参数协同、操作协同、算法协同及策略协同与同构型协同进化算法、异构型协同进化算法以及合作型协同进化算法进行融合，提出了五种改进的协同进化算法方案(有 PSICEA算法、SSHCEA算法、ASHCEA算法、OSCCEA算法、PSCCEA算法)，并将改进的协同算法运用到线性 ARX模型系统辨识，非线性Hammerstein模型系统辨识及四组典型的混沌系统(包括 Chen系统、Lorenz系统、Lü系统、R?ssler系统)的辨识中。概括为以下几个方面：　　(1)为提高多个种群在协同合作寻找最优解时能够增强种群的多样性，提出了基于参数协同的同构型协同进化算法(简称PSICEA)。此方案的核心思想在于同式不同值，表现为不同种群之间采用相同的进化策略，但是在进化模型中选择不同的参数值，参数值的改变提高了种群的搜索范围，在种群合作后增强了种群多样性。　　(2)为加快CEA算法的寻优速度，提出了两种解决方案，一种是基于策略协同的异构型协同进化算法(简称 SSHCEA)，表现为物种群落选用各异的进化策略繁衍下一代个体。一种为基于算法协同的异构型协同进化算法(ASHCEA)，表现为种群群落间选用各异的优化算法。方式方法的改变在增强种群的多样性的前提下，又因为不同策略的优劣性能不同，可以扬长避短，快速寻找最优解，增强了种群的快速性。　　(3)为提高CEA算法的寻优精度，在合作型协同进化算法的原理上，提出了两种改善方案，一种为基于操作协同的合作型协同进化算法(简称OSCCEA)，表现为多个种群在函数寻优中，每一个种群采用不同的操作实现种群的繁衍，每一种群个体作为待求解的一个分支，彼此之间经过合作构成最优解。一种为基于参数协同的合作型协同进化算法(PSCCEA)，表现为每个种群个体作为候选解的一部分，彼此之间采用相同的进化模式，但在模型参数选择上，根据辨识参数的不同，选择相适应的参数进行参数的辨识，分工明确，条理分明，既可以增强种群的多样性，又提高了算法的快速性。　　(4)采用多种协同进化算法解决系统辨识方面的问题。根据系统辨识的不同特点，选取不同的算法对系统辨识进行研究。首先，将改进的PSICEA算法应用于线性系统的辨识研究中，并通过仿真实验与PSO算法比较，证明了改进的PSICEA算法在系统辨识方面的有效性。其次，将 OSCCEA算法应用于Hammerstein模型当中，因Hammerstein所具有的含有线性环节和非线性环节的特点，将 OSCCEA算法应用于非线性系统的辨识中。OSCCEA算法中一个种群辨识线性环节，一个种群辨识非线性环节，在计算适应度值时彼此合作，构成完整的候选解，此方法很好的处理了线性与非线性之间的关系，为快速寻找非线性系统的最优解提供了一个新的可能。最后，将SSHCEA算法和PSCCEA算法应用于混沌系统的辨识研究中，因混沌系统具有不稳定性，所以采用此两种方案进行辨识，并与PSO算法及CEA算法相比较，证明了改进的协同进化算法在混沌系统辨识方面的优越性。