智能计算方法的主要构建思想是从自然界的生物系统、生命现象中寻求问题求解的灵感和方法,通过对自然生物系统的生存繁衍过程、生命个体的进化过程、自适应行为等现象和行为的建模和模拟,构建各种智能计算模型,用于求解现实世界中的大规模、高维度、非线性的复杂优化问题。探讨如何从生物适应环境、自主优化过程中获取灵感,构建智能计算方法,将会在很多方面弥补经典最优化方法的不足,对人工智能新原理、新方法的发展将具有很好的推动作用。大量的研究者仍然在致力于发展更高效、更实用的群体智能优化算法。种子优化算法是受自然界种子传播方式和种群分布演化的启发而设计的,它通过模拟植物生存的宏观自适应现象,来解决复杂的优化计算问题。其寻优机理不同于现有群体智能优化算法,主要通过父种选择和种群分布演化两个算子进行寻优。算法结构较简单,实现较容易,对算法的研究和实验也表明:在所开展的实验中,种子优化算法符合我们预期的全局寻优能力强、收敛速度快的特点。本论文的主要贡献和创新点包括以下几个方面:1.借鉴自然界种子传播方式和种群分布演化,本文构建了种子优化算法这一种新的群体智能算法,该算法具有较新颖的设计思想和明确的仿生含义。通过调研和学习生物统计学的相关研究结果,构建了三种BOA的种群分布演化模型,分别是基于分段函数的分布模型、基于正态分布的模型和基于负二项分布的模型。并分别针对上述三种算法模型构建了相应的BOA算法,并针对11个典型的基准函数,开展了函数优化实验,实验结果与粒子群优化算法的结果进行了对比分析,结果表明BOA在所开展的实验中,性能明显优于PSO算法,也验证了这三种算法模型的有效性。同时,还开展了算法自身参数的调整对比实验,初步研究了算法参数对算法性能的影响。2.基于逆推理归纳,构建了初步的BOA算法的优化策略自适应选择机制。列举了现有BOA算法的主要参数,初步确定了一种优化策略分项的调整顺序,并整理出相关的参数调整规则;并构建了一种优化策略性能评价方法,用以综合评价算法的寻优能力和收敛速度,用以评价优化策略的优劣。最后选择了两个500维的多峰基准测试函数进行了自适应优化策略调整的测试,实验结果表明,该优化策略自适应选择机制取得了较好的参数调整表现,求解效果明显优于固定参数的BOA算法。3.对BOA算法中的几个基本定义作了严格的数学描述和重新定义,构建了BOA算法的Markov链模型,明确了相关的算法性质,基于此,依据Solis和Wets提出的随机算法收敛的标准,对BOA算法的收敛性做了初步分析,证明了BOA算法是以概率1全局收敛的。4.应用BOA算法求解了三个典型的最优化问题。其中FM参数合成估计问题是IEEE-CEC2011“应用进化算法求解真实世界优化问题”专题所列举的第一个用于测试智能计算方法应用能力的最优化问题,本文即以该会议的原题为例,应用BOA算法进行了求解,求解结果与CEC公布的DE-RHC算法的求解结果进行了对比,表明了BOA的优越性;然后结合目前正在开展的减灾科技支撑项目,以汶川地震灾后恢复重建为例,构建了项目排序的最优化问题,应用BOA算法进行了优化求解,求解结果兼顾了专家的意见,符合了中国地震灾后恢复重建规划标准和我国政府的以人为本的原则;TSP问题是典型的离散优化问题,机器人全局路径规划问题基本都能转化成TSP问题的求解。本文利用种群迁移和最优信息交叉共享的思想,设计了一种用于离散优化问题求解的种子优化算法,克服了基本BOA算法不适合求解离散优化问题的缺点,通过典型的TSP问题求解实验,并与交叉PSO和MAX-MIN AS进行了实验结果对比,验证了离散BOA的优越性和有效性,深化了BOA算法的理论研究,扩大了BOA算法的应用领域,有望在日后应用于目前正在开展的老人服务机器人的全局路径规划中。