现实生活中,许多领域皆会涉及到优化问题,各类计算智能方法的出现不仅使解决优化问题成为一种可能,而且为其求解提供一种新颖、独特而高效的思路。然而,随着优化问题的复杂化、多样化,单一的计算智能方法在求解质量、效率、收敛速度或全局搜索能力等方面总表现出某种局限性。因此,将不同类型的计算智能方法相结合,扬长避短,通过一种高效、特殊的方式构成混合智能优化算法已经显得越来越必要。本文首先对计算智能方法的算法原理、算法模型、算法描述以及算法的实现过程进行了详细的介绍,并对计算智能方法的收敛性和复杂度进行了细致的分析。其次,对协同进化算法的运行机理、具体实现过程进行了详细的介绍,并给出了竞争型、合作型协同进化算法的适应度求解方法。最后,在分析协同进化算法、混合智能优化算法研究现状的同时,结合计算智能方法和协同进化算法理论,针对其他学者在研究优化问题上表现出来的问题,进行了一系列的研究工作。1.在分析协同进化算法研究现状,深入理解协同进化理论的基础之上,借鉴并行进化模型与协同进化思想,使PSO算法与ACO算法相结合,提出一种并行协同进化粒—蚁算法,使算法维持两个种群。基于信息迁移、知识共享的思想,通过制定某种规则来控制种群间个体的迁移,在获得种群多样性的同时也使种群间信息得以交换,最终实现种群间协同进化。使解决单目标解向量不可划分的优化问题成为一种可能。从而脱离了协同进化在适用范围上仅针对单目标解向量可划分的问题或多目标问题这一局限。2.在协同策略上,本文提出一种新的方法,该方法借鉴蚁群算法较强的正反馈和鲁棒性来更新粒群算法粒子的速度和位置,以此来加大粒子的社会属性。同时借鉴粒群算法的寻优结果来更新蚁群算法的信息素,以此来加大算法的搜索范围。最终提高算法的性能。3.利用分阶段实现混合的思想,以PCEPA算法为首阶段,遗传算法为次阶段,提出一种两阶段混合智能优化算法,该算法较遗传算法收敛速度快,较PECPA算法求解精度高。最后通过求解TSP问题验证该算法的性能。4.用两阶段混合智能优化算法求解TSP时,在遗传算法阶段,引入两种新的交叉算子,并且提出混合交叉算子的新思想,使遗传算法得到了很大的改进,对算法过早陷入局部化最优解以及较长的收敛时间皆起到了一定的抑制作用。