协同进化计算的理论和应用是目前的研究热点。进化计算和协同进化算法以其仿生学上的优势,非常适合解决很多传统方法难以解决的问题,尤其是很多难以建立精确的模型的非线性问题。因而被广泛地应用于数值优化领域,机器学习,经济预测,机器人路径规划、导航等智能控制领域。本文以协同进化算法作为研究对象,以旅行商问题和人工智能中经典的围捕问题作为仿真任务,针对协同进化算法存在的问题进行了相应的改进。具体研究工作如下：首先,以提高遗传操作的效率为研究目标,借鉴自然界进化中的远缘杂交理论和进化计算中的精英策略,提出一种基于远缘杂交的精英进化算法。该算法在初始阶段将种群分为精英种群和普通种群,对精英种群则不经过交叉直接进入下一代,对普通种群则基于远缘杂交原则进行交叉,并将子代与精英种群一同组成新子代。仿真实验证明算法能提高种群基因的多样性,避免了算法陷入局部最优。针对TSP实验结果表明,算法具有全局收敛性及较快的收敛速度。其次,将反馈机制引入协同进化中,同时引入了多个适应度函数,提出了一种基于反馈的多适应度协同进化算法,改变了同一种群进化中单一适应度评价的缺陷,提高了收敛速度。最后利用机器人围捕为仿真模型,通过仿真证明了算法的有效性。