自20世纪80年代后,工业生产过程成为了复杂的生产过程,有着大型、连续、综合化的特点。而存在于实际工程中的许多优化问题可以抽象为超高维优化或多目标优化问题,寻求一种具有智能特征的算法使其能被应用于大规模并行问题,这已成为已成为引入注目的研究方向,甚至成为有关学科的主要研究目标。本文基于一种新型群智能算法——细菌觅食算法研究了超高维及多目标问题的优化。具体包括以下研究内容：针对超高维优化问题的维度灾难和变量依赖性问题,本文提出一种面向超高维优化问题的协同细菌觅食求解算法.首先基于统计学习方法对优化变量依据相关性阈值进行分组降维,随后提出具有信仰空间的细菌觅食算法,证明了该算法的收敛性,并使用该算法在各组内进行独立优化,进而以合作型协同框架基础,构造一种基于最优共用体生成策略的协同细菌觅食算法,经过分析得出针对某一问题当阈值r小于一定值时协同细菌觅食算法以概率1收敛。为验证算法的有效性,采用10个基本测试函数和7个CEC2008中的测试函数进行测试,分别对变量维数为500维和1000维的情形进行了测试。结果表明,所提出的协同细菌觅食算法有效的提高了求解超高维优化问题的可规模化能力。针对多目标优化问题中多个目标相互牵制,评价函数设定困难,本文提出了改进的细菌觅食算法用于Pareto解集搜索。同时为求得大量且分布均匀的解,本文提出一种基于区域搜索的可变种群细菌觅食算法。算法优化过程中使用可变种群策略增加解的多样性、使解分布均匀,为使种群个数不致过大,使用排除策略,可变种群细菌觅食算法执行完毕后对非支配解按支配区域内个体数目排序并使用区域搜索策略搜索非支配解周围,增加解的个数。测试结果表面,所提出的基于区域搜索的可变种群细菌觅食算法在解决不具有多个局部Pareto解决方案的多目标优化问题上效果理想,但在解决具有多个局部Pareto解决方案的多目标优化问题上效果一般。