大规模全局优化问题是科学研究和工程应用中的典型问题。相对于传统的数学方法和进化算法,协同进化框架能高效地解决大规模全局优化问题。协同进化框架解决大规模全局优化问题的性能依赖于问题分解方法的有效性。其中,差分分组是一种先进的问题分解方法,它能准确识别每对决策决策变量之间的关联,但是在问题分解过程中仍存在分解准确率不高和计算成本增加迅速的问题。同时,协同进化框架采用分解方法求解大规模全局优化问题时虽然具有更好的可扩展性,但仍然存在不足,采用静态分解方法的协同进化框架解决完全不可分离问题时效率低下,采用动态分解方法的协同进化框架解决部分可分离问题时计算成本高昂。针对以上存在的问题,本文主要研究内容如下:1、为了提高差分分组方法求解大规模全局优化问题的性能,本文在第三章提出了一种双向探测的差分分组方法。通过设计的双向探测结构,双向探测的差分分组与其它分解方法相比具有更低的复杂度。为了提高双向探测结构的探测准确率,本文提出了自适应扰动策略对不同问题以及不同问题的不同决策变量施加不同的扰动,从而对相互识别的决策变量集合施加更合理的扰动。实验表明,双向探测的差分分组方法降低了问题分解的计算成本,提高了在某些问题上的分解准确率,并且随着问题维度的增加双向探测的差分分组使用的计算成本增长更慢。2、针对目前协同进化框架采用分解方法解决大规模全局优化问题时的不足,本文在第四章提出了采用两分解阶段的协同进化框架。采用两分解阶段的协同进化框架包括两个问题分解阶段,在第一分解阶段,使用添加档案的静态分解方法对问题分解。在第二分解阶段,基于已知信息的动态分解方法使用第一分解阶段的分解档案自动识别子组件的类型,并对高维度的子组件进行第二次分解和对错误分组的决策变量重新动态组合。实验表明,采用两分解阶段的协同进化框架改善了目前协同进化框架在完全不可分离问题上的不足,并且在其它问题上具有良好的优化结果。