随着科学技术的发展，在工程应用中经常遇到有关优化方面的问题。由于维数高、局部极值点多、约束条件限制等困难，传统算法在解决优化问题时存在很大的困难，而进化算法则表现出良好优化能力。本文致力于研究基于进化计算的单目标优化问题。所获主要结果如下：（1）在解决单目标无约束优化问题时，已有的差异进化算法尽管具有较强的全局搜索能力，但其局部搜索能力具有较大局限性，有可能导致较差的搜索精细度。为了克服该算法的上述缺陷，本文构造了一类建立在搜索个体邻域基础上的新的差异进化算法（简记为LiNDE）。新算法在保持较强的全局搜索能力的基础上，增加了对邻域的搜索，从而大幅度提高了算法的局部搜索能力和搜索精细度。第二章中的数值试验结果表明LiNDE算法比已有的SANSDE算法、SaDE算法和NSDE算法的实际计算效果更好。该算法有创新性，其实用性和可靠性得到验证。（2）为了使智能算法在进化过程中具有更好的适应性，设计了基于生命周期的新算法（简记为LIO）。LIO算法能较好地模拟高级智能生物在其生命过程中生长、成熟直至凋亡的全过程。新算法将优化过程分成三个阶段，即前期的学习阶段、空间探测阶段与结构重组阶段。第三章中的数值试验结果表明LIO算法比已有的CSA/FC算法、CSA/RC算法和CSA/SC算法的实际计算效果更好。该算法有创新性和较好的实际计算效果。（3）结合优化技术以及佳点集理论，改进了已有的交叉算子，构造了一类建立在佳点集交叉算子算法(简记为COAGPN)，该算法能更为有效地搜索有界闭区域中的佳点集合，这个点集是闭区域中最能代表该有界闭区域特征的点集。第四章中的数值试验结果表明COAGPN算法比已有的SAFF算法和SMES算法实际计算效果更好。