遗传算法是一种以达尔文自然进化论和孟德尔遗传变异理论为基础的基于种群的智能优化算法；蚁群算法则是对群体性昆虫蚂蚁觅食行为进行模拟而提出的一种新的基于种群的智能优化算法，它们可广泛应用于自然科学、工程技术和现代管理等领域中各种复杂问题的优化求解。本文对这两种算法进行了仔细的研究，针对它们收敛速度慢、容易早熟等不足，通过引入新的思想和方法，设计出新的遗传算法和蚁群算法使得这些问题得到改善或解决，并将其成功地应用到了TSP问题和配电网重构问题中。主要工作包括以下内容：通过对TSP问题适应度地貌的分析，设计出了一种可变邻域搜索的变异算子(a variable neighborhood search hybrid mutation operator，简称GIIM)，该算子除了具有通常的变异作用外，还有很强的局部搜索功能。在该算子的基础之上，构造出了一种新的求解TSP的高效遗传算法(an efficient genetic algorithm for TSP，简称EGA)。仿真测试表明，EGA不但具有很强的全局搜索能力，而且收敛速度很快；其测试结果与已知文献中类似算法和国际标准测试库TSPLIB中的最优路径相比，或相同或更优。通过模拟医疗系统特别是基因疗法对人类进化的修复、校正和改造作用，将基因疗法中的基因库思想和基因操作方法引入到遗传算法中，提出了一种新颖的基于基因疗法的遗传算法(a novel genetic algorithm based on gene therapy theory，简称GTGA)。该算法的特点和关键在于基因库和治疗算子的设计。以TSP问题为示例演示了该算法的实现方法，最后以TSP问题作为测试平台对算法的有效性进行了验证并与权威文献中的算法进行了对比测试。仿真结果表明该算法能够在加速种群的收敛速度的同时，有效地防止种群进化中的退化现象和早熟现象。通过对TSP问题领域知识的深入研究，将Delaunay triangulation(简称DT)引入到了蚁群系统(简称ACS)中，设计了一种基于DT三角网的候选集策略(a candidate set strategy based on Delauney triangulation，简称CSDT)，在此基础上结合GIIM，提出了一种新的基于候选集策略和可变邻域搜索变异的求解TSP的蚁群算法(a novel ant colony system based on Delaunaytriangulation and mutation for TSP，简称DMACS)。用典型的TSP标准测试集对该算法进行了验证并与文献中的同类算法进行了对比测试，仿真结果表明该算法优于已知文献中的同类算法。通过模拟人类保健思想和治病方法，提出了一种新颖的基于医疗理论的蚁群算法(a novelant colony system based on medicine care theory，简称MCACS)。该算法的特点和关键在于解元件库的建立和更新以及“保健”算子和“治病”算子的构造。“保健”算子引入了一种候选集平衡策略，“治病”算子用以加快算法从不可行区域的逃离。以TSP问题为实例演示了该算法的实现方法，最后以TSP问题作为测试用例对算法进行了验证并与文献中的同类算法进行了对比测试，仿真结果表明该算法能有效地克服蚁群算法收敛速度慢、计算时间过长的现象，有效地维持了搜索空间探索与开采的平衡，提高了算法的性能。将GTGA应用于以网损最小为目标的配电网重构问题。结合基于基本环路的染色体编码，设计了适用于配电网重构的基因库和治疗算子，从而将GTGA成功应用到了配电网重构之中。在IEEE33和IEEE69节点的1000次仿真测试中，GTGA全部找到最优解，且最快收敛代数分别为第2和第3代、平均收敛代数分别为8.089和10.413代。仿真结果说明GTGA在配电网重构问题中的应用是成功的，该算法无论是收敛速度，还是全局寻优能力，以及鲁棒性与最新权威文献中求解配电网重构的其它算法相比，都具有优越的性能。提出使用MCACS求解配电网重构问题。针对配电网重构问题的特点，结合基于基本回路的解的编码方式，设计了适合于配电网重构的解元件库、保健算子和治病算子，从而将MCACS成功应用到了配电网重构问题中。在IEEEE33和IEEE69节点的100次仿真测试中，MCACS全部找到最优解，且最快收敛代数分别为3和7、平均收敛代数分别为22.16和59.92。仿真测试表明，MCACS不但优于已知文献中求解配电网重构的蚁群优化算法，而且同其它智能优化算法相比，也显示了具有竞争性的性能。