生物启发计算是在生物界自然现象或过程中获得灵感启示下，研究开发的智能计算模型。近年来，生物启发计算在人工智能、机器学习和数据挖掘领域得到了广泛应用；受生物科学最新发展成果的启发，各国研究学者也不断地提出很多新颖的理论和算法。但与成熟学科相比，生物启发计算领域的研究仍处于初步的探索当中。 本文探索了生物启发计算中几个富有吸引力和挑战性问题，主要创新点包括： 1、在基因表达式编程算法中引入多层染色体的概念，提出了一种基于多层染色体基因表达式编程的遗传算法M-GEP(Multi-Layer Chromosome Gene Expression Programming)，新算法在解决如公式发现等具体问题中取得了较好的结果，通过实验与单基因GEP，多基因GEP算法相比，平均进化辈数有明显降低。 2、提出并实现了一种全新的进化算法-基于重叠表达的多基因进化算法-MEOE(multi-gene evolutionary algorithm based on overlapped expression)。生物学家发现，在一定条件下，组成基因的核苷酸序列有些可以重复，即重叠基因(overlapping gene)。生物遗传界普遍认为重叠基因不仅能经济和有效的利用DNA的遗传信息量，“节约”碱基，更重要的是可能便于对基因表达起调控作用。受基因重叠现象启发，结合免疫学中关于浓度的概念，作者提出并实现了一种新的进化算法-MEOE，同其他进化算法相比，MEOE表达空间效率优于其他算法；由于无需对基因或染色体内容做出约束MEOE算法效率近一步提高。实验表明，在同等条件下，MEOE的速度为GEP的2.5到9.4倍；对高次函数发现能力和函数发现的成功率方面均有较大幅度提高。