演化进化算法作为经典的启发式搜索算法,有着优异的性能表现,是解决各类实际问题的重要工具。随着演化进化算法在科学与工业领域的研究与应用越来越广泛,对于其求解效率的要求也在不断地提高。演化进化算法在求解大规模优化问题时的性能表现难以满足高效率的需求。通过在高性能集群上进行并行化研究来解决这个问题具有重要的现实意义。神威·太湖之光拥有超过125PFlops的峰值运算性能,可以为提升演化进化算法求解大规模问题时的效率提供理想的平台。其采用的申威众核处理器在物理架构上进行了很大的创新,不仅有着强大的计算能力而且在能耗比方面也表现出色,但是架构的变动使得内存模型与编程模型发生了巨大的改变,传统的并行算法无法发挥出申威众核架构的性能优势。这就需要根据架构特点,从进程级与线程级两方面重新设计算法的并行方式。本文针对大规模优化问题,以邻域搜索的自适应差分进化算法（Self-adaptive Differential Evolution with Neighborhood Search,Sa NSDE）为优化算法,对大规模优化问题的求解过程展开了一系列并行化研究,主要工作如下:（1）针对大规模优化问题的维度并行展开研究,设计并实现了基于申威众核架构的并行合作协同Sa NSDE算法（Sunway Cooperative Co-evolution Sa NSDE,sw CCSa NSDE）。进程级以合作协同进化模型为并行模型,将高维问题分解为低维子问题,实现各子问题之间求解过程的并行化。为了缓解单个进程上的计算压力,使用从核阵列对个体适应度计算部分进行了加速。同时针对申威众核处理器内存带宽不足的限制,设计了合理的访存数据粒度,利用DMA方式进行批量访存。实验证明,与串行算法、采用岛屿模型的算法相比,sw CCSa NSDE有着更好的收敛结果。二级并行算法与串行算法相比获得了239.01的最大加速比。（2）针对大规模优化问题的种群并行展开研究,设计并实现了基于申威众核架构的并行池Sa NSDE算法（Sunway Pool Sa NSDE,swPSaNSDE）。进程级以种群分布原则的池模型为并行模型,实现各子种群之间求解过程的并行化。使用从核阵列实现了蜂窝模型,将个体分布在每个从核上,通过寄存器通信实现从核间个体信息的数据共享,有效降低了从核的访存依赖。实验证明,swPSaNSDE算法表现出了良好的可扩展性。（3）针对大规模优化问题的维度和种群两层并行展开研究,设计并实现了基于申威众核架构的并行混合Sa NSDE算法（Sunway Hierarchical Sa NSDE,swHSaNSDE）。对于大规模问题,首先使用合作协同进化模型从维度方面进行分组实现各子问题优化过程的并行。随后,采用池模型从种群方面进行划分实现了各子种群优化过程的并行。最后对从核性能进行了优化:为了解决离散访存的问题,将离散存储的数据调整为连续存储,不仅有利于DMA批量访存,而且可以提高数据的命中率;采用双缓冲方法,将从核访存过程与计算过程相重叠,有效隐匿了从核访存的时间。实验证明,swHSaNSDE算法整体性能有了进一步的提高,取得了良好的加速效果,与串行算法相比获得了290.93的最大加速比。