电力系统经济调度(Economic dispatch,ED)作为电力系统优化运行当中的重要一环,对电力系统运行的经济性具有重要意义。然而ED问题作为一个优化问题,呈现高维、多约束、非凸、非光滑、存在大量局部极值等特点,计算较为复杂,对求解方法的性能提出了较高的要求。近年来,随着现代智能技术的发展,进化计算领域中的智能优化算法也渐渐被应用于求解ED问题,并取得了丰硕的研究成果。因此,研究基于进化计算的智能优化算法及其在电力系统ED问题中的应用,具有重要的理论和实用价值。提出了一种基于多元拓扑和量化正交学习的改进生物地理学算法(Biogeography-based optimization,BBO)。针对BBO算法的不足,提出多元拓扑迁移策略,以提高全局搜索能力;另一方面,引入量化正交学习过程,在增加一定开销基础上扩大算法的潜在搜索空间,提高算法的寻优能力。仿真结果表明,改进策略能够有效地提高BBO算法的性能。与原始BBO算法、其它各类改进BBO算法和其它智能优化算法相比,所提算法具有更好的寻优能力。提出一种处理静态经济调度模型的约束处理方法。该方法将约束条件处理过程嵌入到改进生物地理学算法的迭代过程中,在每次迭代中当父代个体生成子代个体后,修改各个体中的优化变量来让所有候选解位于可行域内,从而保证求解结果严格满足约束条件。算例结果表明,相比于常规引入罚函数的方法,所采用的约束处理方法能够更有效地处理静态经济调度的约束条件;另外相较已有众多求解方法,所提算法求得调度方案发电成本更小。将改进BBO算法应用于求解考虑阀点效应和爬坡约束的动态经济调度问题。针对动态经济调度问题中独有的反映时间断面耦合的爬坡约束,将爬坡约束和机组出力上下界约束得到一个新的含上下限的不等式约束,并采用截断处理来处理该不等式约束。算例结果表明,相较于已有文献中的众多求解方法,改进算法能够求得发电成本更小的调度方案,同时具有更好的鲁棒性。