大规模优化问题是一种具有高维度和高非线性的极具挑战性的优化问题。在处理此类问题时,传统优化算法依赖问题的数学性能而无法在合理时间内得到有效解,标准进化算法虽然能在较短时间内得到相对优解,但仍然无法解决高维度的难题。因此,采用分而治之策略的协同进化算法,成为了近来大规模优化研究领域的重要算法。使用协同进化算法的主要挑战是分组机制,这是决定问题解决方案质量的重要因素。然而,现有的分组机制,不能依据变量间的关系对问题的每个部分进行高效且全面的分组。为了解决此问题,本文提出了基于自适应策略的分组机制以及基于交互贡献度的分组机制。前者可以基于二阶段差分识别方法对优化问题的不同部分进行分解,然后适应性地对不同性质的组件进行有效细分。后者则能配合协方差矩阵自适应进化策略提取交互贡献度,以此对优化问题的各部分进行分组。除此之外,本文还分别为两种分组机制提出了不同的资源分配方法。自适应的资源分配方法与基于自适应策略的分组机制搭配,旨在提高分组后组件的优化效率。基于贡献分布的资源分配方法则与基于交互贡献度的分组机制搭配,旨在为不同贡献分布的组件合理地分配计算资源,提升最终的优化结果。这些资源分配方法与对应的分组机制一起构成了高效的协同进化算法。本文使用大规模优化问题的基准测试函数集对所提协同进化算法的分组机制和资源分配方法的有效性进行了评估。通过与几种最先进的算法相比,数值实验表明,本文的协同进化算法可以产生统计上有竞争力的结果。同时,本文还将此算法应用在现实问题上,实验表明所提协同进化算法在现实问题上具有可行性,且与其他算法相比具有更好的实验表现。