群体智能灵感来源于生物群体的智能行为,蚁群优化算法和遗传算法是两种典型的群体智能算法。受益于其分布式求解方式,群体智能可由忆阻网络等硬件电路实现并行。忆阻器是一种非易失、可编程的新型电路器件,在物理上具有诸多优良特性。相较于传统存储计算异地的计算模型,忆阻器可实现内存计算模型（存储和计算同地完成）,消除内存与计算单元间的传输代价。因此,忆阻网络被应用于深度神经网络和群体智能等算法的并行计算与记忆计算部署。在此背景下,本学位论文重点研究基于忆阻网络的蚁群优化算法和遗传算法及其在数据降维方法中的应用。主要工作和贡献归纳如下:（1）基于忆阻网络的蚁群优化算法忆阻器忆导值与蚁群优化算法信息素的动态变化过程存在相似性。在模型上,提出一种带松弛因子的电压控制忆阻器,建立了其与蚁群优化算法的关联。在实验上,构建二路问题的忆阻电路和蚁群优化算法解决方案,发现忆导值和信息素存在相似的变化曲线。在电路上,设计基于忆阻交叉阵列的忆阻网络部署蚁群优化算法,将算法时间复杂度从平方级降至线性级。（2）基于忆阻网络的遗传算法矩阵计算具有很高的硬件可并行性,通过忆阻网络可实现并行且存算一体的矩阵计算模型。首先,考虑到遗传算法的种群可由矩阵表示,算子可由向量和矩阵计算实现,提出一种矩阵友好型遗传算法。其次,进行求解二元函数最大值的实验,相较于基线遗传算法结果,该算法收敛结果更好、收敛速度更快、可节约近2/3的运行时间。最后,设计矩阵友好型遗传算法的忆阻网络部署,达到仅与基因数线性相关的算子计算时间复杂度。（3）基于忆阻网络型群体智能的数据降维方法群体智能算法的启发式搜索能力可有效应对数据降维面临的组合优化问题,忆阻网络可加快数据降维的运行效率。由忆阻网络型蚁群优化算法实现图像边缘特征提取的,相较于传统算子方法和深度神经网络方法,可更好平衡图像噪点与细节数量,得到更优质的边缘特征。在Sonar数据集上,由忆阻网络型遗传算法实现特征选择,仅使用约24%的特征的同时可提升逻辑回归模型10.1%的平均准确率。