背包问题是一类NP难的组合优化问题,在工程技术、经济管理、交通运输、自然科学等领域有重要价值。由于经典算法在求背包问题中存在时间复杂度高、收敛性能差、限定时间内难以获得精确解等缺点,使得启发式算法得到了发展的契机。演化算法是元启发算法的一个重要的分支,其具有参数简单、通用性强和易于实现等优点,在求解非线性非凸性问题中表现出良好的性能,目前已经成功运用在工业设计、经济预测、生产调度和人工智能等诸多领域。其中GTOA、TGA和MVO是三个近几年提出的新颖的演化算法,并且在数值优化、复杂工程问题和机器学习方面取得了成功。因此,利用上述三个演化算法求解KPS、KPC和D{0-1}KP三个难解背包问题具有较好的研究意义。下面给出本文的主要研究:1.提出了一个便于利用演化算法求解KPS问题的新模型KPSM2,并给出了利用演化算法求解KPS问题的一般框架。在框架中,提出了一个生成KPS潜在解的随机算法RGSA和一个处理KPS不可行解的修复优化算法g ROA。最后给出了一个基于GTOA和随机算法相结合的启发式算法RA-GTOA,并通过求解公开KPS实例验证了算法的性能。2.基于模运算重构TGA三个算子,提出了一个可以直接求解组合优化问题的离散团队博弈算法DTGA。为求解KPC问题,利用修复与优化算法M2-GROA消除不可行解,并在DTGA基础上提出了一个基于单向变异策略的二进制团队博弈算法MOBTGA。通过求解KPC标准测试实例验证了单向变异策略的优越性和算法MOBTGA的高效性。3.基于模运算提出了MVO的两个新模型,引入了能提高算法收敛性能的局部搜索策略和精英策略,提出了一种离散混合多宇宙优化算法DHMVO。为求解D{0-1}KP问题,利用修复与优化算法NROA消除不可行解,并在DHMVO基础上提出了一个求解D{0-1}KP问题的四进制混合多宇宙算法QHMVO。通过与其它9个算法的仿真实验对比验证了算法的性能。