当前经济管理和工程领域遇到的众多问题,例如设施选址问题、车辆路径问题、网络流设计问题等,均可归结为最优化问题。随着科技与社会的发展,现实优化问题也日趋复杂,朝着高维度、非线性、大规模等方向发展,这为优化理论的研究提出了新的挑战。传统的优化理论方法包括单纯形法、二次规划法、牛顿法、内点法、梯度法等。传统方法的不足之处有两点:1)待优化问题需满足特定的数学特性,例如可凸性、可导性、可微性等;2)解决大规模复杂优化问题的能力有限,无法满足实际管理与工程优化的需求。群集智能作为新型仿生启发式算法,由于其机制简单、智能高效等优点正成为新的研究热点,已被成功用于许多优化问题的求解。本文考虑群集智能中不同的生物模拟视角及搜索行为的差异,选取粒子群算法(particle swarm optimization,PSO)与细菌觅食算法(bacterial foraging optimization,BFO)作为群集智能的代表算法进行研究。针对当前群集智能算法研究的不足之处进行改进,主要的研究问题与贡献如下:(1)针对传统PSO算法历史信息利用率较低、种群多样性丧失较快、较差个体无退出机制的缺陷,提出一种正交混合学习PSO算法。利用正交实验设计构建类似新陈代谢机制的粒子置换策略,提高种群多样性;同时,为了加快粒子的收敛速度,设计了混合学习机制,使粒子以一定概率向个体与全局两部分信息分别进行学习。通过数值实验验证了所提算法的有效性。(2)传统PSO对复杂问题的求解性能仍有待提升。尽管人们提出了多群体PSO(MS-PSO)以避免传统PSO对复杂问题早熟收敛,但仍存在众多不足。例如,当前绝大多数MS-PSO均针对特定问题域进行优化,对其它问题表现较弱;没有考虑多群体间的竞争关系;群体规模为预设值且固定。针对上述不足,提出了异质多群体自适应PSO算法。在种群中建立包含了同质个体的异质子群模型。各子群使用不同的搜索策略;设计了自适应竞争机制,根据实时搜索表现动态地调节异质群体的规模;研究了两种互补的搜索机制和两种不同的种群规模迁移模型。仿真结果表明,所提策略有效提升了算法对不同问题域的搜索性能。(3)针对传统BFO算法存在求解精度较低、收敛速度较慢、算法性能随问题维度增加而快速下降的缺陷,提出一种全局协同BFO算法。建立了一种全局协同搜索模型,改变了细菌运动的更新方式,使信息分享与协同搜索代替了原始的随机趋向性游动行为,提升了搜索的准确性与快速性;群体中所有细菌都有机会成为潜在的引导个体,提供维度级的信息以优化个体搜索精度。此外,研究了带游动行为与不带游动行为的两种算法模型。数值实验结果表明提出的策略有效提升了BFO算法对不同维度问题的收敛精度与速度。(4)传统BFO算法局部搜索能力较强,不易早熟,但全局探索能力较差;PSO算法全局收敛速度较快,但局部开发能力较弱,容易陷入局部极值。本研究建立一个新型群集智能混合框架,扬长避短,综合利用BFO与PSO的性能优势。在该混合框架中,引入PSO中个体与群体的记忆策略,利用个体和群体的最优信息进行搜索决策;增加BFO中的随机游动操作,以提高算法的局部开发能力。由PSO负责全局空间的探索,BFO进行局部极值的开发与跳出。数值仿真实验检验了新的混合算法有效地利用了两者的优势,弥补了单一算法的不足。(5)将改进的群集智能算法应用于优化两个实际经济管理问题。首先,建立了带容量约束的配送中心选址问题模型,使用提出的改进群集智能对该模型进行优化求解,实例仿真结果显示提出的算法的求解系统总成本更低;接着,考虑带基数约束的投资组合优化模型,通过实例优化仿真,证明所提改进算法能得到接近标准有效前沿的投资决策方案,表明所提算法能有效优化带基数约束的投资组合优化问题。