从生命现象和人类的智能活动中得到启发,人们提出了计算智能方法来解决许多复杂问题,形成了以人工神经网络、进化计算与模糊逻辑为代表的三个典型分支。本文主要针对计算智能中的人工神经网络与进化计算这两个领域展开一些理论及应用问题研究。论文主要工作和创新点包括:1.研究了现代神经网络-神经场的特征、理论和方法。2.通过构造Lyapunov-Krasovskii函数和线性矩阵不等式(LMI),给出了判定时滞反应-扩散不确定神经网络的全局指数鲁棒稳定性的一种新的实用的LMI方法。3.研究了遗传算法的混合改进策略,提出了一种新的混合遗传算法:采用混沌序列产生初始种群、多个交叉后代竞争择优和自适应变异来改进遗传操作;并通过精英个体保留、二次插值和改进遗传操作三种策略共同产生种群新个体,以克服标准遗传算法的收敛速度慢、早熟等缺陷。4.为解决神经网络的过度学习问题,提出一种综合适应度作为训练指标,以混合遗传算法为学习算法训练神经网络,有利于避免神经网络对训练样本集的过度学习,改善了神经网络的泛化能力。5.研究了粒子群算法的种群多样性测度,提出了一种新的基于种群多样性的自适应粒子群算法:通过对种群多样性测度新指标的应用,自适应粒子群算法采用精英保留变异操作、新的速度项和动态自适应惯性权重技术,防止了种群多样性的过早丧失,有效地平衡了粒子群寻优过程中的探索和开发。6.使用动态罚函数法和标记罚函数法处理约束条件,将改进的粒子群算法应用于约束优化问题求解。