优化问题广泛存在于工程和科学领域中,其目标是在满足相关限制条件下选择合适的变量,取得目标函数最优值。相较于传统优化算法在求解优化问题时需要函数可导和求解结果依赖于初始值等问题,近年来提出的元启发式算法对目标问题限制少,目标函数可以是可微的或不可微的、连续的或不连续的、有约束或无约束的、凸的或非凸的。帝国主义竞争算法（Imperialist Competitive Algorithm,ICA）是受帝国主义竞争这一社会政治现象启发所提出的群智能优化算法,在光伏系统参数辨识等问题中表现出良好的优化性能,但是该算法有时会陷入局部极值,且仍然存在探索和利用间平衡性不足等问题。因此本文对帝国主义竞争算法进行了如下研究工作:首先,针对ICA在同化过程中不能更好的探索最优解的问题,结合差分进化思想,基于具有自适应差分变异（Adaptive Differential Mutation,ADM）的进化策略,提出了改进算法ICA-ADM。该策略使用“DE/best/1”变异算子和交叉算子,并根据个体的适应度,自适应计算变异算子的缩放因子和交叉算子的交叉概率来产生新的殖民地。由于该策略具有更强的最优解探索能力,从而使得ICA-ADM具有更好的探索和利用能力,同时能够在搜索过程中始终保持解的多样性。对16个基准函数进行实验后的结果表明ICA-ADM能够有效求解优化问题,并且优化性能获得较大提升。之后,将ICA拓展到多目标问题求解上来,在该方法基础上提出了一种多目标的帝国主义竞争算法（MICA）。该方法在ICA中加入外部档案存储帕累托解集,为了增强解的探索能力,使用差分进化策略在决策空间中进行搜索,并通过集成适应度排序和非支配排序对种群和档案中的解进行筛选和更新,可以提高解的多样性和算法收敛性。为了验证算法性能,在无约束问题测试集（Unconstrained Function,UF）上对算法进行测试,与其他多目标优化算法比较后的结果表明,MICA能够找到多目标问题的最优帕累托前沿,并且在求解复杂多目标问题时具有良好的效果。为了进一步验证两种ICA改进算法的性能,将他们分别应用于光伏系统参数辨识问题和环境/经济调度问题。通过最小化光伏系统模型的电流和实际测量电流之间的均方根误差把辨识问题转化为优化问题后,使用ICA-ADM对该问题求解来辨识参数。与相关算法的实验对比结果表明,ICA-ADM能够更准确地辨识出参数,且参数稳定性更高,而MICA能够成功求解环境/经济调度问题。