实值优化存在广泛的应用背景,很多科学研究与工程实践问题都可抽象为实值优化模型加以求解。自然计算优化算法作为一类基于群体搜索的启发式方法,因具有简单、易实现、全局搜索能力强等特点,在实值优化领域受到越来越多的关注。然而,这类方法仍然存在收敛慢、控制参数敏感、无法有效求解大规模问题等不足,严重影响了算法的求解效率、易用性与可扩展性,限制了其在相关应用领域的发展。针对自然计算优化方法目前存在的不足,本论文主要有以下三个研究目的：1.研究设计基于自然计算的高效易用型实值优化算法；2.研究设计适用于大规模实值优化问题的自然计算优化算法；3.开展自然计算优化算法的应用研究,分析其实用价值。根据以上研究目的,本论文以自然计算中差分演化算法与协作型协同演化为基础,进行了一系列算法设计与分析研究,并将相关算法用于求解两个具体应用问题。具体而言,本论文的主要研究工作与创新之处包括以下几个方面：1.首先分析了差分演化算法搜索原理,并通过引入高斯和柯西邻域算子进行更合理的搜索步长控制,提出了一种更高效的邻域控制差分演化算法；2.研究与分析现存参数自适应策略的特点,通过融合改进多种参数自适应机制,设计了自动设置与调整差分演化算法主要控制参数的方法,提出了种高效易用的自适应差分演化算法；3.以协作型协同演化为基础,通过提出决策变量分组优化思想,设计了一种基于分组分解的协作型协同演化算法框架,可有效求解决策变量多达1000个的实值优化问题；4.为解决决策变量分组分解时分组大小不易确定的难题,提出了一种多层次协同性协同演化算法,获得分组大小层面的自适应控制；5.通过将建筑热模型中的参数识别抽象为实值优化问题,并采用一种改进的自适应差分演化算法加以求解,提供了一种有效的参数识别求解方案；6.以B样条曲线为几何表示,提出了一种基于协作型协同演化的形状优化算法,通过对2维目标形状的拟合实验分析,验证了算法有效性与效率。本论文通过对自然计算优化算法的研究,首先设计了基于差分演化的高效易用型实值优化算法；然后在协作型协同演化算法框架中引入分组分解及多层分组分解的思想,提供了能有效求解决策变量多达1000个的大规模实值优化问题的方法；在应用方面,本论文将自然计算优化算法成功用于求解两个实际问题,验证了该类方法的实用性。这些工作不仅对自然计算及实值优化算法研究有着重要的意义,也有助于推动相关应用背景的发展。