本文以图形模型为线索，将图形模型与传统进化机理有机地结合，探索基于图形模型的进化机制，研究更具智能性的优化理论。文中通过图形模型结构的渐变，由浅入深地刻划了进化种群中的优良解集，并以研究图形模型的局部BD度量规律为切入点，提出快速有效的图形模型构建方法。最后将本文建立的优化理论应用于层次化函数优化和无人战斗机的路径规划，验证基于图形模型的智能优化算法进化的趋势、强度和效果。本文的贡献主要有以下几方面。 (1)从图形模型的观点看待优良解集的刻划，紧致遗传算法采用了最简单的图形结构，所以首先研究紧致遗传算法的遗传进化机理，分析进化强度。通过研究发现紧致遗传算法运行时，由于正负进化对的出现，不具有强度系数，导致有效进化的减少。因此提出增加正负进化对的进化强度系数思想，以提高算法的运行速度，增加向最优点进化的概率。 (2)描述了利用信息熵建立树形模型的过程，通过分析基于相互信息树的进化算法，发现这些图形模型中的节点不具有明显的因果关系是导致算法存在问题的根本原因。本文通过研究基于BD度量的链形和树形模型结构性质，给出了构建链形和树形模型的算法步骤，使所构建的图形模型具有明显的因果关系和较大的后验概率。 (3)由于构造贝叶斯网络图的传统算法存在固有缺陷，本文通过探索贝叶斯网络图的内在规律，主要研究基于BD度量的局部贝叶斯网络图的度量属性，提出网络图中节点的相似性、独立性及对称性等新概念，得出相似性是两节点连接与否非常重要的因素，对称节点具有相同的BD度量值，获得具有最强独立性节点的充分条件。利用对称性质及其它理论结果进行了局部贝叶斯网络图的结构分析，得到了构建图形模型的重要原则。 (4)研究层次化函数的设计，着重分析层次化可分解函数对于优化算法的欺骗性。为本文建立的优化理论提供了检验工具。仿真结果表明，本文所研究的层次化函数确实具有迷惑性，引导算法在峰值之间飘忽不定，但即使如此，本文提出的基于图形模型的智能优化机制依然表现出具有克服问题欺骗性，可探索问题内在规律和智能寻优的良好特性。 (5)为了探索有利于多机协同作战的态势感知模型，以及作战环境具有多个不同威胁实体的态势感知。本文利用面向对象的贝叶斯网络图，构建了无人战斗机 摘要的态势感知模型框架。 (6)由于基于Voronof图的路径规划只考虑了相同威胁体，本文从理论和仿真实践上研究了基于不同威胁体的局部路径规划原则，提出了相应的构图方法和步骤。仿真结果表明，本文提出的路径规划方法不仅可行，而且有效地突破了原V图方法只能对相同威胁体进行路径规划的局限。同时以路径规划为例，提出基于动态贝叶斯网络的优化思想，为适应背景因素多变的动态优化机制指出了研究思路。