群体智能优化算法是一种诞生于自然界中生物种群行为模式的观察和仿真而诞生的优化算法。自20世纪80年代诞生以来,一直受到极大关注,其领域内的多个算法,诸如粒子群算法、遗传算法等,都已实现了广泛而成功的应用,成为解决优化问题的一种新思路。然而,群体智能算法的种群多样性研究还比较不成熟。一方面,很少有专门为群体智能算法设计的种群多样性度量模型;另一方面,群体智能算法的研究也很少从种群多样性角度展开论述。论文从种群多样性角度研究了不同群体智能算法在迭代过程中的种群多样性变化以及对其性能的影响。主要工作包括:第一,在研究了已有的几种种群多样性度量模型的基础上,提出了维度熵作为新的度量种群多样性的方法,与其他多样性模型进行了对比,实验结果显示维度熵能够正确反应种群多样性,同时对于维度和种群规模的变化具有较强鲁棒性。第二,研究了种群多样性对于群体智能算法性能的影响。结果显示性能更好的算法具有更高的平均种群多样性。此外,过早丧失种群多样性是群体智能算法无法取得良好结果的一个可能原因。第三,提出了一种根据维度熵控制种群多样性的策略,这种策略在每一次迭代中,当种群多样性偏离预定的曲线时,通过删除或复制群体中重复性最大的“冗余粒子”,直接影响种群多样性,从而控制算法按照预定的曲线进行收敛。在此基础上研究了不同多样性收敛曲线对于不同测试函数的影响。第四,通过将此策略应用于粒子群算法、骨干粒子群算法以及差分进化算法这三个经典群体智能算法中,并借助CEC2017测试函数进行性能对比验证了此策略的有效性。论文提出了一种新的多样性模型,并进一步提出了一种根据多样性指导算法更新的策略。研究结果表明,种群多样性与算法性能息息相关,通过控制种群多样性使算法不在前期陷入早熟,同时在后期平稳收敛能够大幅提升算法的性能。