遗传算法、交叉熵方法均是有效的全局随机搜索技术,但两者由于单种群优化而容易出现早熟收敛或收敛慢的情况,为克服这种缺陷,本文引入团队进步算法的双群体分工模型,在遵循原算法机理特性的基础上分别提出双群体遗传算法(DPGA)和双群体交叉熵方法(DPCE)。遗传算法的变异、交叉熵的的整个运算过程可类比于团队进步算法的探索行为,所以在两原算法中只需引入学习和成员更新规则,便设计成与团队进步算法具有相同行为特征的双群体算法。通过基准函数测试表明,两个新算法在收敛速度和全局寻优能力上都明显提高。之后在DPCE中利用组合问题的交叉熵模型、在DPGA中利用2-opt邻域交换策略,分别将两种双群体算法改造成离散变量优化算法,并应用于TSP问题。两个新算法对30城市以内的TSP问题均能给出最佳路径,而对多城市问题求得的最好解也比单种群更优。最后将双群体算法用于相控阵天线综合,对阵元相位分别进行离散和连续两种优化,通过对20元线阵和64元面阵的不同扫描角优化可知,离散方案可将副瓣电平压得更低。由于双群体算法中种群出现了明显分工,使其能兼顾快速收敛和全局寻优两个对立方面,函数优化和离散算例应用结果还表明新算法具有通用性强、计算量小、稳定度高、参数调整容易等其他特性,可用于多类实际问题求解,所以该双群体方案将成为算法改良的一种新途径。