很多现实问题都可以抽象成是复杂的大规模优化问题。通常,优化算法的性能会随着搜索空间维度的增长而迅速下降。为了有效地求解大规模优化问题,研究学者提出了协同演化优化算法,将大规模优化问题分解成一系列小规模的子优化问题后,再用启发式算法进行求解。但是,如果问题的搜索空间复杂,相关联变量非常多、甚至变量是全相关联的,那么分解后的子优化问题仍旧可能是一个较为复杂的优化问题。如果求解子优化问题的启发式算法性能不足,将会造成协同演化优化算法的整体性能下降。针对以上问题,本文的研究工作是设计策略来提升协同演化优化算法中,求解子优化问题的启发式算法的性能;提出了基于收敛速度控制器的协同演化优化算法框架;并将提出的算法框架应用于两个现实大规模优化问题的求解。主要工作如下:(1)根据收敛速度控制器已有的研究成果,以及求解现实优化问题时计算资源有限的特点,对收敛速度控制器的周期性检测机制进行改进。将改进后的收敛速度控制器应用于协同演化优化算法中,提升求解子优化问题的启发式算法的性能。在公开测试函数上的实验证明,收敛速度控制器能够有效地扩展协同演化优化算法的性能。(2)基于提出的算法框架,设计了一个基于收敛速度控制器的协同演化差分进化算法,来求解图像抠图技术中大规模的样本优化问题。通过在公开的图像测试集上与现有的优化算法进行对比,实验证明本文设计的算法能够找到更高质量的样本。(3)针对计算机辅助微波滤波器调试技术中的耦合矩阵优化问题是全相关联的大规模优化问题。本文设计了一个新的协同演化策略,即多阶段优化策略,来对问题进行分解,并采用基于收敛速度控制器的启发式算法来求解每一阶段的子优化问题。根据实际生产线上的测试案例,实验证明本文设计的算法能够找到更高准确性的耦合矩阵,并具有一定通用性。