优化问题广泛存在于科学研究和工程实践中,一直是智能计算的研究热点和难点问题之一。受生物进化启发,学者们提出了许多智能优化算法,如遗传算法、差分演化算法、粒子群算法、教与学优化算法等,这些算法能够有效地解决大多数优化问题。然而,面对日益复杂多变的优化问题,这些单一群智能算法常常表现出搜索停滞、收敛精度不高、局部最优、泛化能力弱等不足。双种群协同进化是通过设立两个种群,建立它们之间的竞争或者合作关系,两个种群通过互相作用来提高各自的性能,实现优势互补,进而提高算法在求解各类复杂优化问题的性能。本文从建立一种通用算法模型角度出发,挑选了性能较好的DE算法和TLBO算法作为重点研究对象,建立起双种群协同进化算法模型(DPCE);针对多约束条件优化、多目标优化、非线性复杂模型参数估计等问题,基于DPCE模型,进行双种群协同进化算法设计,提出了三种新算法:双种群协同进化的差分演化算法(DPCEDE)、双种群协同进化的教与学优化算法(DPCETLBO)、基于DE和TLBO的双种群协同进化算法(DPCEDT),并将这些算法应用到不同的实际复杂优化问题中。本文所做工作概况如下:(1)研究了DE算法、TLBO算法的基本原理,分析了这两个算法的研究现状。针对DE算法在求解多峰函数优化问题时容易出现早熟,提出了一种基于均匀分割的多种群并行差分演化算法(MPDE),均匀分割得到几个既不重叠又可以反映函数整体性质的子种群,通过这些子种群并行搜索得到最优解,然后将这些最优解聚集到一起,进而得到全局最优解,通过仿真实验验证了MPDE算法的有效性。在研究TLBO算法时,提出了一种改进的改进教与学优化算法(MTLBO),并将MTLBO算法应用于Van Genuchten方程参数优化中,验证了MTLBO算法的有效性和优越性。(2)通过基于DE算法和TLBO算法进行了四种情况的种群设置、子种群进化策略设计等实验分析,发现在算法改进中,多种群进化算法设计单纯通过增加种群个体总数仅能在一定范围内提升算法性能;单纯增加子种群数量还会因子种群间交流学习的隔离降低算法性能;而在各子种群进化策略选取上,采用不同的相似进化策略则能有效提升算法性能,若子种群采用互补型进化策略对算法性能提升则更为显著。同时对算法种群规模设置和现有智能优化算法特性的进一步反思,将双种群规模设置和协同进化机制相结合,建立了一种通用型双种群协同进化算法模型(DPCE),并对DPCE模型的动力学、收敛性进行了分析,给出了DPCE模型指导下的算法设计步骤。在DPCE模型指导下,只需适当调整相应策略,便可设计出适应于不同类型优化问题求解的算法,这对人们面对复杂系统优化算法设计具有重要的指导意义。(3)针对原始DE算法存在易陷入局部最优、收敛慢、早熟、计算代价大等不足,利用DPCE模型,将单种群独立进化改造成双种群协同进化模式,提出了一种双种群协同进化的差分演化算法(DPCEDE)。在DPCEDE算法中,设立双种群独立进化,一个种群采用混合自适应杂交变异算子进行进化操作,对解空间进行大范围搜索,以提高算法的收敛性;另一个种群采用混合DE和生物地理学优化算法(BBO)杂交算子进行进化操作,一方面通过移动算子对子群体信息有效利用,另一方面以平衡算法的开采能力,避免算法早熟等现象;同时引入小生境淘汰机制,对两个种群进行重组实现种群间的信息共享和交流,从而达到提高算法整体性能的目的。通过5组标准测试函数,将DPCEDE算法与DE算法、DPDE算法进行了仿真实验比较,实验结果显示DPCEDE算法较DE算法、DPDE算法在全局搜索能力和收敛性方面均具有一定的优势;最后,将DPCEDE算法应用于柔性车间作业调度问题(FJSP)优化中,实现了柔性车间作业的资源有效配置,可有效平衡车间、设备、工序之间的平衡关系,同时,与基本DE算法、PSO算法在FJSP问题上性能进行了比较,验证了算法的有效性和实用性。(4)针对原始TLBO算法还存在收敛慢、早熟等不足,在DPCE模型指导下,建立了一种双种群协同进化的教与学优化算法(DPCETLBO)。在DPCETLBO算法中,两个种群既有分工又有交流,适应值较高的种群采用带自适应学习因子的TLBO算法进行进化,执行完学习过程后再对精英个体进行多父体非凸杂交,提升算法的收敛速度;适应值较低的种群采用带偏置的反向学习TLBO算法(OLP_TLBO)进行进化,以提高算法的全局搜索能力;每轮迭代后,两个种群合并到一起,并按照适应值大小排序,重新分成两个种群,保持种群多样性,以获得更优的求解质量。通过2组标准测试函数,并比与TLBO算法、ETLBO算法进行仿真实验对比,证实算法在收敛精度和多样性上具有明显优势;最后,将该DPCETLBO算法应用于PID控制器参数优化中,算法22次迭代即能求收敛于最优解,并将最优解参数代入PID控制器的Simulink模型中,观测其阶跃响应信号,仿真结果表明阶跃响应信号能很快趋于平稳,同时,与基本TLBO算法、PSO算法在PID控制器参数优化中性能进行了比较,进一步证明该算法的实用性。(5)针对DE和TLBO算法各自的优点和缺点,基于互补策略,采用扬长避短机制,利用DPCE模型,将DE算法和TLBO算法进行巧妙结合,构建一种基于DE和TLBO的双种群协同进化算法(DPCEDT)。在DPCEDT算法中,设置双种群独立进化,一个种群采用DE算法进行进化,另一个种群采用TLBO算法进行进化,并在每一代的进化过程中,首先根据两个种群中的当前最优个体进行组合生成一个复合个体,然后利用生成的复合个体再进一步指导两个种群协同进化,通过这种方式将两个种群的优秀信息相互融合,算法一方面在搜索过程中保持了种群的多样性,另一方面又实现了DE和TLBO两种算法的优势互补。为验证DPCEDT算法性能,将该算法与与jDE、TLBO和TLBO-DE算法在13个标准测试函数在不同维度上进行仿真实验,同时对实验结果进行了双尾t检验,实验结果表明DPCEDT算法具有较高的寻优效率和搜索精度;最后将DPCEDT算法应用于动力电池SOC估算中,并与DPCEDE、DPCETLBO算法算法进行了对比,仿真实验表明DPCEDT算法在动力电池SOC估算中具有很好的收敛性,比传统方法提升了2.54%的估算精度,进一步证实了DPCEDT算法的实用性和优越性。综上所述,本文从机理建模、算法设计和实际应用等多个层面,针对智能优化算法展开研究,本文所提出的双种群协同进化算法模型,具有较强的通用性;基于DPCE模型设计的三种双种群协同进化算法,在具体的仿真、实际应用中体现了其有效性和优越性,具有一定的理论价值和实践价值。