大规模全局优化问题具有变量维数高,并且存在大量的局部最优解的特点。本论文主要针对大规模全局优化问题,研究可以求解该问题的高效进化算法。首先,为了减少大规模优化问题中变量维数高引起的大量计算量,给出了一个新的变量分组策略;其次,针对大规模优化问题存在大量局部最优解的难点,给出了可以消除局部最优解的平滑技术;再次,为了避免算法陷入局部最优,分别提出了两个新的填充函数算法;最后,整合以上三个技术,构造了一个新的带有变量分组策略和辅助函数的协同进化算法。主要工作如下:(1)针对大规模全局优化问题中变量维数高的难点,为了减少高维引起的大量计算量,提出了一种变量分组方法:基于表达式分组。该方法可以使大量变量分成几个不相关的子组,而每个小组内的变量是相关的,这样大规模问题被分解成多个小规模优化问题,使得算法求解难度降低。为了使得算法更加高效,我们使用了一个局部搜索策略。在该变量分组与局部搜索策略的基础上,我们构造了一个新的基于问题表达式分组的协作型协同进化算法。(2)大规模全局优化问题的另一个难点是存在多个局部最优解,并且随着维数的增加,局部最优解也会大量地增加。为了解决这个难点,提出了一种能消除多个局部最优解的平滑函数方法。该平滑函数可以删除多个比当前最优解差的局部最优解,并且使得比当前最优解好的局部最优解保持不变。另外,我们结合了均匀设计的思想,加快了算法的收敛速度。在该新的平滑函数与均匀设计的基础上,我们构造了一个新的带有平滑函数和均匀设计的进化算法。(3)针对全局优化算法很容易陷入局部最优解的难点,提出了一个新的带有一个参数的填充函数。该填充函数弥补了现有填充函数带有多个难调节的参数,以及含有指数项等病态项的缺陷,且保持原函数的连续可微性不变。为了加强局部搜索,我们提出了一个新的均匀局部搜索方法。在这个新填充函数和局部搜索的基础上,提出了一个新的带有一个参数的填充函数算法。(4)同样为了使算法跳出局部最优解,提出了另外一个带有两个参数的填充函数,虽然该函数含有两个参数,但是另外一个参数可以固定,这样仅有一个参数需要调节;该填充函数也保持原函数的连续可微性不变;为了加强局部搜索,我们使用了带有均匀设计的局部搜索方法。在这个新填充函数和局部搜索的基础上,提出了一个新的带有两个参数的填充函数算法。(5)大规模全局优化问题中变量维数高,存在大量局部最优解,并且进化算法在运行的过程中容易陷入局部最优。对于大规模全局优化问题的以上特点及难点,本文在最后一部分整合了基于表达式的分组算法、平滑函数以及填充函数各自的优点,提出了一个新的带有变量分组策略和辅助函数的协同进化算法。在该算法中,一方面,基于表达式分组方法可以将变量分成一些互不相关的子组,然而子组内部的变量是相关的。这样,大规模问题就被分解成几个小规模问题,使得问题求解变得容易。另一方面,两个辅助函数(平滑函数和填充函数)被使用。它们有以下特点:对于一个已得到的局部最优解,平滑函数可以删除所有比当前最优解差的解。填充函数有助于算法跳出当前局部最优解,从而找到一个更好的解。因此,当变量分组策略与这两个辅助函数整合后,进化算法可以更加有效地求解大规模全局优化问题。为了测试以上几个算法的性能,我们在几个广泛应用的标准测试集上对提出的算法分别进行了测试,且与多个著名算法进行了比较,大量的数值实验表明我们提出的几个算法都是数值稳定的,并且更加高效。