随着物联网、云计算、大数据的发展,最优化问题出现在生产实践、科学研究和社会活动的众多领域中。最常见的解决方法是利用目标函数的导数通过多次迭代来求解问题。然而随着问题变得越来越复杂,很多现实问题趋向于黑盒问题的特征,在面对此类问题时传统的数学优化方法由于过于依赖问题的数学特性而失败。因此,如何智能化解决最优化问题成为人工智能领域发展的一大重要难题。启发式算法是进化计算涉及到最优化问题的一个子域,它把要解决的问题看作目标,受自然规律或具体经验的启发,在一些可能的解组成的种群中通过迭代寻求最优解。著名的“没有免费的午餐”定理验证了先验知识对于启发式算法的重要性,即算法之间的性能差异取决于它们的先验假设如何与问题的固有规律相匹配。许多复杂的现实世界问题被认为是黑盒优化问题,在选择或设计优化算法时难以选择适当的强先验假设。因此,为了应对先验信息不足的挑战,算法通常在对目标黑盒问题的先验知识很少的情况下实现性能最大化。另一方面,算法的搜索行为大大影响优化性能。过度挖掘会抑制多样性导致早熟收敛,过度探索又会导致缓慢收敛甚至发散,两者都会浪费大量的查询资源。探索与挖掘相辅相成,权衡优化过程中两者的需求也极其重要。根据区间万能近似定理原理可知,在理论上神经网络可以近似任意函数。它能够构建非线性复杂关系的模型,对未知函数有极高精度的预测,且优化过程不依赖于问题的数学性质。基于此,神经网络有能力学会适应多样化的函数特性,协助启发式算法灵活调整优化策略,利用较少的先验假设扩大适用范围。因此,本文为解决启发式算法存在的上述问题,结合神经网络在进化计算领域进行探索和研究。本文的研究内容主要包括以下几个方面:（1）为了在先验信息不足的前提下提高算法性能,本文提出了一种基于协同学习神经网络结合亲和传播聚类的启发式优化器AP-WGNN。首先,优化器通过两个神经网络的协作对问题的景观进行建模,并训练生成新的解决方案。接着,该优化器通过亲和传播聚类、簇间和簇内排序、以及选择策略的合作,提高种群多样性,增强优化器的探索能力。（2）AP-WGNN虽然提高了在先验信息不足情况下的优化性能,但是在优化过程中缺乏合理的搜索策略引导,以至于浪费大量的查询次数,也无法适应高维问题。因此,本文提出了一种基于双判别器生成对抗网络的启发式优化器OPT-GAN。在正式训练之前,优化器通过预训练使解生成器获得问题的全局视野。然后,分别通过两个判别器来控制搜索行为中探索和挖掘之间的权衡,帮助优化器在自适应调整搜索行为的条件下逐步估计最优值的分布。同时,最优集不断更新和收缩,为OPT-GAN提供全局最优分布知识的数据。（3）由于OPT-GAN的模型复杂且耗时长,本文提出了一种基于随机游走策略改进OPT-GAN的优化算法Random-Walk GAN。该算法通过对最优集的随机游走策略替代了对抗学习中探索判别器的训练,简化了双判别器的设计,同时使最优集本身获得探索能力,从而取消了OPT-GAN的预训练阶段。此外,整个优化过程使用尺度缩放策略来稳定训练过程。因此,通过上述策略,Random-Walk GAN简化了OPT-GAN的设计,提高执行效率及性能,在大部分问题上将时间消耗减少了0.6倍。