帝国竞争算法(Imperialist Competitive Algorithm,ICA)是由Atashpaz-Gargari和Lucas提出的一种群智能算法,该算法来源于对人类社会中国家的演变过程的模拟。种群内的个体被视为“国家”,在种群中,根据适应度的优劣,挑选出多个国家当做殖民国家,其它国家被视为殖民地,通过巧妙的设置其中的侵略、竞争机制,进而实现对优化问题的求解。作为一个出现时间较晚的群智能算法,ICA自提出后,便引起了该领域内研究者的关注,并进行了优化算法性能、挖掘算法新应用等方面的积极探索。该算法已经在包括诸如工程、物流、电力、医学等多个领域内得到了应用。相关的研究表明,ICA仍然存在种群多样性下降较快、容易早熟收敛和解精度低等问题。为了克服该算法的这些弱点,改善算法的性能,本文对该算法进行深入的研究,提出了三种改进算法。分别是:双同化机制帝国竞争算法、自适应竞争的帝国竞争算法和具有殖民地反向学习的帝国竞争算法。本文的主要研究工作如下:(1)提出了一种双同化机制的帝国竞争算法。ICA算法采用贪婪更新策略,所以种群容易聚集于最优个体周围,且殖民国家和殖民地之间的状态相似度较高,即:种群的多样性下降,造成算法过早收敛。为了较好的保持种群的多样性,借鉴教与学优化算法的思想,引入殖民国家之间的互学习策略,以使算法具有一定的扩散能力,扩大了种群的搜索范围。在Benchmark函数上的仿真实验显示,双同化机制的帝国竞争算法在寻优精度和稳定性上较标准ICA算法均有显著的提高。(2)提出了一种自适应竞争的帝国竞争算法。为了提高算法求解精度,在ICA算法中设置了自适应的竞争系数,该参数根据迭代次数变化,算法的早期为一个较小的值,提高领域搜索能力,而随着迭代的进行,取值逐渐变大,以加快算法的收敛。相关实验表明,自适应竞争的帝国竞争算法具有较好的收敛速度和求解精度,优于标准ICA。(3)研究了基于帝国竞争算法求解作业车间调度问题。为了更好的解决作业车间调度问题,针对帝国竞争算法的弱点做出改进,提出了具有殖民地反向学习的帝国竞争算法。在帝国竞争过程之后加入了殖民地改革操作,引入了殖民地的反向学习策略,将每个帝国中最弱的殖民地分别用一个反向解来代替,使得算法探索新解的能力得以加强。仿真测试结果表明,该改进算法在稳定性和求解精度上都表现出了优良的性能。