“没有免费午餐定理(NoFreeLunchTheorems)”证明了特定的优化问题一定存在着最适用的优化算法。因此,探索新型的优化算法始终是一项具有科学意义和实用价值的工作。最优化算法可以分为确定型算法和随机型算法两类。本文从单体搜索和群搜索的角度对最优化算法进行了重新分类,并指出单体搜索算法没有信息共享机制,而群搜索算法缺乏深入挖掘个体独自搜索能力的机制。针对这些缺点,本文将单体搜索和群搜索相结合,提出了一种群体优化算法(IndividualandPopulationOptimization,IPO)新框架,分析了IPO算法的收敛性并作了数值实验。　　 本文以IPO算法的基本原理、理论分析为重点,从IPO框架出发构建了IPO-1、IPO-2、IPO-3系列算法,具体内容如下:　　 (1)从最优化问题的求解方法出发,阐述了最优化算法的研究背景,介绍了现有最优化算法的理论和应用方面的研究现状。　　 (2)定义了单体搜索策略和群搜索策略两个概念,据此可以把最优化算法重新分成单体搜索算法和群搜索算法两类。　　 (3)提出了群体优化算法(IPO)。首先阐述了群体优化算法的思想来源,接着介绍了群体优化算法的基本原理和计算流程,然后讨论了群体优化算法与群智能优化算法的区别与联系。在IPO框架下,给出了群体优化算法的三个实例,即IPO-1、IPO-2、IPO-3,介绍了它们的基本原理和计算流程。　　 (4)IPO算法的收敛性研究。IPO-1是收敛的,IPO-2与IPO-3是概率收敛到全局最优解的,并给出了IPO算法框架收敛性的判别准则。　　 (5)数值实验。将IPO-1、IPO-2、IPO-3与量子粒子群算法(QPSO)进行比较得出,IPO系列算法收敛速度快、收敛精度高,能够搜索到全局最优解,其中IPO-2与IPO-3在大部分情况下性能表现优于QPSO算法。　　 论文最后对所做工作和主要研究成果进行了总结,并提出了IPO算法的进一步研究方向。