自然计算(Natural Computation)是表示由自然启发的计算的一般性术语,其研究内容一般包括人工神经网络,遗传算法,免疫算法,蚁群算法和粒子群算法等。由于多数的自然计算模型与算法具有普适性强、全局搜索能力强、隐并行、对优化问题性状要求(如连续、可导、可行域为凸等)低等优点,比传统的优化算法更适合于解决复杂的工程优化问题,已经被大量应用在复杂优化问题求解、智能控制、模式识别、网络计算和硬件设计等领域。论文主要对遗传算法、粒子群算法与人工免疫算法及相关优化问题(包括简单优化问题、多模态优化问题和多目标优化问题)做了深入的研究,本文主要贡献如下:1.全面总结了实数和二进制编码条件下佳点集遗传算法交叉算子的设计方法,指出在对实际优化问题无充分的先验知识条件下,均匀分布的初始种群更易于优化解的发掘,在此基础上本文利用佳点理论构造了均匀的初始化种群,并通过圆柱度误差评定实例说明了改进的初始种群对于最优解搜索的有效性。2.针对给定位串长度的二进制编码遗传算法中无法克服二进制编码与实数之间的映射误差,利用二进制编码遗传算法的解从最高位到最低位依次收敛的多米诺现象,提出了含有变焦因子的佳点集遗传算法来变相的增加位串长度以期缩小该映射误差,数值实验结果说明了改进算法在求解精度方面有明显的改善。3.针对多模态函数优化问题,将小生境技术引入到粒子群算法中,建立小生境熵作为群体多样性的量化指标,实时考查进化过程中群体的多样性并调整进化参数;结合数论中的佳点理论,提出一种在解空间使用佳点搜索的群体多样性发掘方法,使得进化过程中群体多样性水平始终保持在设定的阈值之上,从而改善算法的全局搜索能力以期跳出局部最优;在此基础上提出一种旨在找出全部全局最优解和局部最优解的新型串行多群体小生境粒子群算法。数值实验表明,改进的小生境粒子群算法在求解多模态函数优化问题时具有较好的自适应性和收敛性。4.针对多目标优化中解的分布性问题,以免疫克隆算法为框架,引入适应度共享策略,提出了一种新的具有良好分布性保持与收敛性的多目标优化进化算法;算法建立外部群体保存非支配解,以Pareto占优和共享适应度作为外部群体更新与激活抗体选择的双重标准。为了增强算法对决策空间的开发能力,引入佳点搜索方法,在决策空间生成具有均匀散布特征的佳点集。通过标准多目标测试问题实验,与经典的多种多目标进化算法比较,新算法得到的解集在收敛性和分布性方面均具有明显的改善且性能较稳定。