优化问题是日常生活与工作中普遍存在的重要问题。演化算法作为一类高效启发式优化算法，近二十年也取得了很大的发展，发展出一系列新的算法和技术，如GP，DE，PSO，ACO等。传统演化算法在解决低维问题上取得了很好的效果，当变量个数不多的时候，能够很快找到最优解;但当问题规模增大时，其求解难度也急剧增加，许多经典演化算法都失去了其在低维中的性能和表现。而实际工程应用中的很多优化问题都是大规模的，并且变量之间还可能存在复杂的相关性，迫切需要有效和高效的大规模优化算法。　　合作协同是提高演化算法求解高维问题能力最有效的策略之一。近年来，基于合作协同策略的高维数值优化演化算法的研究主要集中在变量相关性估计、问题分解与降维、演化状态判断、多策略自适应选择、以及自适应策略设计上。本文主要基于粒子群优化(PSO)算法，研究了大规模全局优化相关技术，主要工作及成果如下:　　1)对基于合作协同演化策略的粒子群优化算法(CCPSO)进行了实验研究，对其在大规模数值优化问题上的性能表现进行了分析。　　2)对基于随机分组策略的CCPSO中粒子速度进行跟踪观察，发现当问题真实最优解的某些维靠近其取值边界时，算法执行后期，粒子的速度在该维上经常处于发散状态，导致算法在后期很难收敛。基于此观察，本文提出了速度随机重置技术来解决速度发散问题，其执行概率随适应度评估次数的增加而增加。实验结果表明，速度随机重置技术能有效改善算法后期的收敛性，并获得较好优化结果。　　3)对多子代抽样(MOS)演化算法进行了研究。基于“No Free Lunch”理论，采用竞争学习方法，对多个子代算法的表现进行跟踪，采用赌轮算法进行选择，表现好的算法有更多的概率参与优化，使得不同的优化问题可以更好地选择适合该问题的算法。　　4)演化算法在执行过程中，群体的搜索区域会随时间而变化。解空间不同区域的fitness landscape对算法的性能需求不尽相同。本文通过对粒子当前的分布进行判断，并根据判断结果选择不同的子算法实施优化，取得较好的实验结果。