约束优化问题是广泛存在于科学实践和实际工程中的一类问题,根据其需要被优化的目标数量,可以分为约束单目标优化问题和约束多目标优化问题,这些问题通常包含着各种各样且不同性质的约束条件。约束条件的存在将求解空间划分为可行区域和不可行区域,位于可行区域中的解为可行解,反之,则为不可行解。在解决这些问题时,需要在满足各类约束条件的情况下最优化其目标函数。虽然求解约束优化问题的最终目标是找到最优的可行解,然而不可行解中也蕴藏着非常优秀的信息,这些信息对于问题的求解非常有益。挖掘不可行解的信息可以在很大程度上帮助最优可行解的搜寻。因此,如何更好地利用不可行解的信息,并且能够在可行解和不可行解之间达到平衡以及维持好目标和约束之间的关系对于约束问题的解答是非常关键的。基于此,本文分别针对不同类型的约束优化问题设计了不同的约束优化算法。针对约束单目标优化问题,设计了一种不可行解信息辅助的排序约束优化算法。首先,对种群的个体进行两种排序,一种基于ε约束法的排序,另一种是完全不考虑约束,仅仅基于目标函数的排序。然后,使用加权和公式对这两种排序进行加权,所设计的动态权重使目标和约束达到平衡。这样,可以更好地利用不可行解的信息。随着进化的不断进行,目标的权重逐渐减小而约束的权重逐渐增大,最终促进最优可行解的搜索。另外,种群在进化时使用了三种差分进化策略,来达到多样性、收敛性、和可行性之间的平衡。最后,在两个不同的函数测试集以及9个真实问题上验证了算法的有效性。针对约束多目标优化问题,设计了一种带有不可行解比例控制机制的约束多目标进化算法。该算法使用了两个种群,首先,种群1作为主种群,同时考虑约束和目标,使用约束支配原则对个体进行评价,用于搜索约束帕累托前沿。种群2作为辅助种群,用于探索高质量的目标函数信息,在进化时使用帕累托支配原则来选择个体。另外,对种群2设计了一个不可行解比例控制机制,使其不可行解的比例逐渐降低,在进化前期可以利用更多不可行解的信息,在进化后期逐渐逼近种群1,避免了计算资源的浪费。两个种群分别从可行域一侧和不可行域一侧靠近约束帕累托前沿,保证了前沿解的完整分布。最后,在65个测试函数以及4个真实问题上进行了系统的实验,证明了所设计的算法在解决约束多目标优化问题时具有很高的效率。