集成优化算法能够充分利用不同算法或策略的优势,在复杂优化问题中得到了广泛的应用。但目前的集成方法仍存在一些不足。一是随机分配策略或算法更新个体位置具有一定的盲目性,不利于提高集成算法的收敛速度。二是基于成功概率或后验概率等历史信息选择策略或算法来更新个体位置,需要每一代个体执行不同的策略或算法,增加了集成算法的计算成本。三是基于多种群的集成算法中的分组策略,通常随机划分或只考虑适应度值信息,且不同子群体之间的信息交换一般基于特定的设计方法,其执行过程复杂,局部收敛概率增大。四是算法库中的算法几乎基于相同的进化机制,在求解复杂问题时,同一机制的算法具有自身固有的局限性,集成算法的性能难以提升。五是目前的研究主要集中在高层集成或低层集成,在同一框架下,两种集成方法之间的协作少有报道。因此,对于静态单目标优化问题,本文从分群策略,算法分配,异质算法集成和复合集成框架设计四个方面出发,提出了两种集成算法,提高集成算法的整体性能。对于动态多目标优化问题（DMOP）,快速有效地检测和跟踪Pareto前沿是求解DMOPs的核心,本文提出了一种基于预测策略集成的动态多目标优化算法,通过分域和不同方法的集成,提高了算法在不同程度环境变化下的收敛性和多样性。本论文的主要研究内容如下:（1）针对同种进化机制算法在求解复杂问题时存在局限性,提出了异质算法集成优化框架（EHA）。在EHA中,首先从保持子种群的多样性出发,设计了一种同时考虑寻优精度和收敛速度的分组策略,将种群划分为三个子种群,降低算法局部收敛的概率。其次,算法分配充分考虑个体特征,不同算法分配给不同子群,以平衡框架的开发和探索能力。在此基础上,设计了一种不同编码机制的个体转换模型,保证不同子种群中个体顺利进化。最后,通过种群重新划分,实现三个子种群之间的信息交换。在IEEE CEC2005和IEEE CEC2014函数测试集上对EHA算法的性能进行了评估,并与其他算法的性能进行了比较。结果表明,EHA具有良好的性能。（2）为了充分利用两种集成方法的优点,提高集成算法的性能,提出了一种基于多种群的复合集成优化框架（CEOF）。首先,将种群划分为若干个子种群,每个子种群的大小在高层集成中根据算法库中各算法的成功率自适应确定,实现算法资源的自适应配置。其次,为平衡种群的开发和探索能力,在低层集成上设计了一种新的集成变异策略,个体的适应度值和个体与最优个体之间的余弦相似度共同决定变异策略类型,以提升低层策略对总体算法性能的积极作用。最后,在IEEE CEC2017和IEEE CEC2020两个基准数据集上对CEOF的性能进行了评价,并将仿真结果与其他算法进行了比较。结果表明,CEOF算法在综合性能方面优于其他算法。（3）为了在动态环境中快速有效地跟踪Pareto前沿,提出了一种基于预测策略集成（PSE）的动态多目标优化算法。首先根据拐点将目标空间划分为几个子区域。然后通过当前种群与历史种群的信息来估计子区域变化的严重程度,在识别不同区域变化的程度后,分别将基于拐点的预测、基于中心点的预测和基于引导的局部搜索预测作为环境变化响应机制,以提高算法在不同程度环境变化下的收敛性和多样性。最后将该预测策略引入基于差分进化的分解多目标进化算法（MOEA/D-DE）框架中,并通过改变变化的剧烈程度和频率来构造三种不同的混合变化类型,在三种动态多目标基准测试问题（FDA、d MOP和UDF）上对所提出的方法进行测试。实验结果表明,该方法能够成功识别不同的变化类型,动态跟踪和适应复杂环境变化。综上,本文对集成优化方法和框架进行了较为全面深入的研究和分析,提出了几种集成优化算法,为集成优化算法性能的提升提供了新的思想和方法。