集成学习是机器学习研究的热点之一,已有研究结果表明,通过合理组合多个弱学习器可以补偿预测误差并提升学习系统的预测性能,然而如何平衡学习器的准确性、多样性等集成建模需求之间的冲突是当前研究的技术难点。从智能优化的角度,将集成模型中子学习器的生成过程转化为一个多模态多目标优化问题进行求解时,通过设计性能优秀的多模态多目标优化算法即可解决不同集成建模需求间的平衡难题,最终提升整个学习模型的泛化能力和精度。针对学习器集成优化中存在的寻优能力不足、时效性差以及决策空间维度升高造成的优化难题,本文设计相应的多模态多目标优化算法以及学习器集成策略,并将设计的算法用于求解特征选择问题和电力负荷预测问题。论文的主要工作概括如下:1.针对当前多模态多目标算法在学习器集成优化中的寻优能力不足问题,设计一种自组织映射多模态多目标算法（MMOPIO）。该算法使用自组织映射网络构造小生境以提高算法的搜索能力,通过引入合并算子来精简算法结构并改进鸽群优化算法的搜索机制。此外,MMOPIO还使用特殊拥挤距离来促进目标空间和决策空间的信息交互,同时满足算法在不同空间的进化需求。在特征选择问题中,采用MMOPIO可以生成一系列同时满足准确性和多样性的多模态学习器。根据特征选择问题中的多模态特性,提出一种基于多模态解的集成策略（MS-EnS）用于解决无法获得完整PF或目标空间存在约束区域的学习器集成优化问题。仿真结果表明,所设计的学习器集成优化算法（MMOPIO-ENS）可以得到一个泛化能力更强、预测精度更高的预测模型。2.针对多模态多目标算法在学习器集成优化中时效性差的问题,设计一种基于双档案学习的多模态多目标算法（MMOHEA）。该算法使用两种不同的多样性保持方法来增强搜索能力和多样性保持能力,第一种策略为基于局部搜索策略的竞争粒子群算子,第二种策略为基于边界值反向变异的差分算子,两种算子以基于双档案模型的并行机制运行。MMOHEA不包含小生境参数,并且在种群规模较小的情况下仍能获得较好的效果。该算法还引入高效率非支配排序方法来降低算法的时间成本。在特征选择问题中,根据MMOHEA设计一种更具时效性的学习器集成优化算法（MMOHEA-ENS）来满足准确性和多样性等集成建模需求。基于预测精度最优的原则,设计一种基于预测精度最优区域的集成策略（AP-EnS）来解决PF分布状态明确且偏好预测精度的学习器集成优化问题。仿真结果表明,与其它基于多模态多目标算法的学习器集成优化算法相比,MMOHEA-ENS具有更好的预测精度和运行效率。3.针对决策空间维度升高造成的搜索难度增加、计算效率降低等问题,设计一种基于综合学习的多模态多目标算法（MMOWVA）。该算法使用综合权重向量夹角指标来评估决策空间和目标空间中解集的分布状态,采用转移密度估计策略来增加目标空间的选择压力,通过小生境局部搜索策略和边界值反向变异策略来增强算法的搜索能力,使用双档案并行进化机制和基于交叉树的非支配排序方法来降低算法的时间成本。在高维特征选择问题中,基于MMOWVA设计一种学习器集成优化算法（MMOWVA-ENS）。仿真结果表明,MMOWVA-ENS能够快速地搜索到满足准确性和多样性的学习器来建立集成模型并获得较好的预测精度。在电力负荷预测问题中,设计了一种基于目标空间屈膝点区域的集成策略（KPA-EnS）来满足多种指标值综合最优的建模需求。最后通过在实际电力负荷数据上的仿真实验,验证了 MMOWVA在提升学习器集成模型预测精度方面的有效性。