大规模函数优化问题有着广阔的应用背景，很多实际应用中的问题都可以抽象成此数学模型解决。进化算法是目前被普遍公认的一种求解函数优化问题行之有效的方法，以其实现简单、求解有效及适用范围广等优点得到广泛的应用。本文针对求解大规模函数优化问题进行了全面的分析和探究，就解决该问题涉及到的决策变量分组问题提出了一种解决方法，并分别对差分进化和合作式协同进化机制进行研究，提出了相应的改进算法，并将两者结合应用于解决多机器人路径规划问题。首先，在全面了解、分析差分进化思想、流程等内容基础上，针对该算法中控制参数的设置问题进行深入研究，基于云模型理论，特别是利用云模型的雾化特性，提出一种基于云模型的自适应差分进化算法（CMSaDE）。在该算法中，算法控制参数能够根据进化进展情况的实际需要，实时动态地进行合理调整，能够在不影响算法求解精度的同时，保证算法的收敛速度，并通过标准优化函数测试集对该算法进行对比实验与分析。其次，针对大规模函数优化问题中的决策变量分量分组问题，就合作式协同进化机制进行深入研究，提出一种混合式协同进化框架，并利用信息熵理论知识，加入一种计算决策变量分量间相关性的方法，综合这两方面提出一种基于相关度计算的混合合作式协同进化算法（DEMCC-CIG），并通过标准大规模优化函数测试集对该算法进行对比实验与分析。最后综合本文的研究成果，即结合CMSaDE和DEMCC-CIG，对其解决多机器人路径规划问题做初步探究与实验。