生态系统是人类科学创新的灵感源泉,自然界生物智能行为是人工智能学科研究的起源、进化历程和最终归宿。大自然中的生命个体完美而精妙,由个体组成的群体更是绚烂多姿：鸟群在没有集中控制的情况下能够同步飞行；一群看似简单的蜜蜂,却能造出精美的蜂巢；最低等的单细胞生物细菌,可以在一个迷宫里找到最短路径,或以高效的方式连接不同的食物阵列,而且不会出现故障容差。可见,在自然界漫长的发展进化过程中,各种生命形式经过残酷的优胜劣汰,最终能够生存下来的自然生物,均具有非凡的生存能力和智慧。因此,研究者受生物系统在应对复杂环境时表现出的鲁棒性和自适应性所启发,提出许多模拟生物行为的计算模型与算法以解决复杂工程优化问题。这些基于生物行为的智能优化方法具有应用范围广泛、优化性能高效、无需问题特殊信息、鲁棒性强等优点,已在诸多实际应用领域展现出巨大的发展潜力。本文从概念、性质、模型、方法等多角度对几种模拟自然界群体智能的生物启发式计算方法进行了深入研究,结合当前生物启发式计算研究中的热点、难点和关键问题,从理论和工程应用两方面进行了群体智能优化算法的深刻研究,取得了诸多具有创新性和应用价值的研究成果,具体如下：(1)基于蜂群行为的蜂群算法改进研究与应用在分析基本蜂群算法不足的基础上,提出离散版本的蜂群优化算法(BABC)和基于信息交流结构的蜂群优化算法(TABC.V).其中,BABC算法填补了蜂群算法求解离散优化问题的研究空白；TABC.V通过将信息交流拓扑结构嵌入到基本蜂群算法中,显著提高了蜂群算法的优化性能。通过离散和连续函数测试,验证了两种改进算法具有能够高效求解优化问题的能力,克服基本蜂群算法的早熟收敛现象。将BABC算法与TABC.V算法分别应用在了背包问题的求解和神经网络训练问题上,仿真实验表明两种蜂群算法具有优秀的工程优化问题求解能力。(2)基于协同进化理论的多群体共生进化优化模型研究与应用将协同进化理论与自然界生物共生现象相结合,提出了一种基于共生模式的多群体协同进化优化模型。将标准粒子群算法嵌入到多群体协同进化模型中,提出了一种多群体共生协同进化粒子群优化算法(MSPSO).根据三种典型的共生模式,提出了三个版本的MSPSO算法：MSPSO.C、 MSPSO.P和MSPSO.M。仿真实验表明,MSPSO算法能够在保持种群多样性的同时,迅速收敛到问题的全局最优解,具有求解复杂工程优化问题的潜力。将MSPSO算法应用于求解大规模RFID网络的读写器调度问题。基于4个不同规模RFID网络的仿真研究表明,MSPSO算法在求解较大规模RFID网络调度问题时相比粒子群和遗传算法表现出了明显的优势,能够高效求解复杂工程优化问题。(3)基于最优觅食与社会学习理论的菌群优化算法研究与应用在现有细菌优化算法模型的基础上,引入了细菌自适应觅食机制和群体感应机制,提出了菌群觅食优化算法(BCF)。将BCF算法应用于求解新型合成函数优化问题,并与其它传统的群体智能优化算法进行了性能研究,结果表明BCF具有复杂函数优化问题求解能力。将BCF算法应用于数据挖掘的聚类分析问题,研究了基于BCF的聚类分析算法在典型数据集聚类方面的表现,试验结果表明基于BCF的聚类分析算法与现有成功的生物启发式算法相比具有更快的收敛速度,而且聚类品质较高。综上所述,本文利用生物学蜜蜂种群、细菌群体以及协同进化理论的最新研究成果,从生物建模、算法设计、理论分析和工程应用四个层面对基于生物行为智能算法的理论与应用展开研究。在生物建模方面,对生物个体行为、群体交流模式和多种群协同进化进行抽象、建模与仿真；在算法设计方面,通过模拟多种生物智能行为,产生一系列新型智能优化算法；在理论分析方面,深入研究算法的多样性保持策略、兼顾全局与局部搜索的均衡策略以及算法参数自适应优化策略,克服早熟收敛、收敛精度差等问题；在工程应用方面,本课题对神经网络训练、RFID网络调度以及聚类分析等实际生产过程中广泛应用的复杂工程优化问题进行深入研究并建立相应的优化模型,通过模型求解分析所提出方法的有效性和可行性。论文的研究成果将深化和丰富已有的计算智能理论,扩大其应用范围,为构建生物启发计算方法的一般理论体系提供了重要参考。论文提出的优化和学习方法,在具体的仿真和应用中体现了其有效性,具有一定的理论价值和实际应用价值。