求解复杂优化问题是解决许多实际问题的关键步骤。从牛顿时代开始,人们就已经开始关注于优化问题的求解方法。然而,随着社会的飞速发展,当今世界中的优化问题已经越来越复杂,传统的优化方法常常无法在合理时间内进行求解。为了更快更好地求解优化问题,智能优化方法应运而生。其中,基于种群的搜索方法,如演化算法类,已经得到了广泛的认可。所谓基于种群的搜索方法,即是在问题解空间迭代式地"生成-测试"一组候选解。这类方法已经被广泛应用于各类工程设计、作业调度、投资组合和自动控制等关系国计民生的重大项目中,并获得了令人瞩目的成绩。特别值得一提的是,相对于基于种群的搜索方法,在智能优化方法中还存在着一类基于个体的搜索方法,即是在问题解空间迭代式地"生成-测试"一个候选解。诚然这类方法,如模拟退火、禁忌搜索等,曾经也获得了巨大的关注以及成功,但研究的热潮还是逐渐在朝基于种群的搜索方法转移。这主要是大量的理论和实验结果表明后者效果优于前者,特别是在一类叫做多极值优化的问题类上。然而,何以基于种群的方法要比基于个体的方法更好?研究人员普遍认为这是基于种群的方法中多个个体之间的某种合作机制在起作用,并也得到了一些间接的证据,如一个种群大小为N的基于种群的方法可以比N个独立运行的基于个体的方法表现更好。研究者也尝试了各种方式来产生个体间的合作,并得到了许多优秀的算法。然而在我们看来,目前仍然没有一个关于合作机制的清晰路线来引导算法设计者提出更先进的方法。本文试图对个体间的合作机制进行一些探索。我们首先将现有的基于种群的方法梳理为两大类:随机重组和自动分治。然后我们简要回顾以及对比这两类方法,讨论这两类方法在设计思路上的本质不同。具体来说,随机重组类方法主要是关注于新个体的产生阶段,其利用交叉、变异的方式将已有个体中包含的变量进行重新组合。这个重新组合的过程就是一种合作机制,其本质在于共享一些潜在较好的决策变量值。随着迭代的进行、个体会由于不断重组而"趋同"、导致种群收敛。为了延缓收敛,该类方法还利用了变异这一操作来随机地增加种群中的多样性。交叉和变异操作合起来就是其随机、重组的思想体现。反过来,自动分治类方法主要是关于个体的选择、替换阶段,其旨在对种群进行划分,使得不同个体分别搜索解空间不同的区域。其合作机制体现在:个体之间互相传递各自的当前状态信息,避免搜索区域重叠。由于个体互相"排斥",该类方法中种群的成分会随着迭代过程而"趋异"。接着,我们沿着自动分治的思想,进一步将相关工作划分为中心化方法和去中心化方法,并提出各自的优势和劣势。具体来说,中心化自动分治方法旨在利用种群的全局信息,自顶向下地对整个种群进行划分;而去中心化自动分治方法则在局部区域共享个体当前状态信息,自适应地形成多个子种群,这是一种自底向上地划分方式。由于中心化方法利用了更多更全面的信息,其对种群的划分应该更加精准,即子种群和解空间局部极值区域能够一一对应。这样,每个子种群能从一个比较好的初始位置开始搜索,算法总的搜索速率会显著提高。同时,由于其需要处理的信息更多,计算代价也比较高。而去中心化方法只在局部区域传递信息进行合作,计算更加轻便,而且由于子种群是在迭代过程中自适应生成的,可以更佳鲁棒。但同时,去中心化方法生成的子种群无法精确覆盖局部极值区域,而是通过增加种群多样性的方式来逐渐搜索解空间。而维持足够的种群多样性也是搜索成功的关键要素之一。沿着以上思路,我们不难发现现有工作的不足之处。对于中心化方法,已有工作只利用了种群的分布信息来进行划分,无法做到子种群和局部极值区域一一对应。而对于增加种群多样性,随机重组和去中心化方法均可。但现有工作并未能有效地将两者连接起来,形成一种可控地多样性提升方式。针对这两者缺点,我们沿着以上思路分别提出了改进方法。对于中心化方法,我们可以通过增加信息的使用来提升划分的精确性。为此,我们不仅利用了种群的分布信息,还利用了种群分布的变化信息来帮助划分子种群。我们发现种群分布的变化信息在一定程度上实际反应了解空间地形变化的趋势。通过对种群分布变化的分析,我们能更加快速地找到局部极值所在区域。这构成了本文第一个工作的核心贡献。对于增加种群多样性,我们提出了一种按搜索行为而非个体位置距离来进行候选解选择的去中心化方法。通过对搜索行为(可能产生新个体的概率分布)进行直接建模,我们能够将新个体的产生和选择有机地结合在一起,使得种群的多样性更容易控制。这是本文第二个工作的主要想法。我们不仅在基准测试问题集上测试了我们提出的算法,还将其应用于一个具体的现实优化问题:无人机路径规划问题。这是本文的第三个工作。我们重点关注任务场景中具有大量障碍的无人机路径规划问题。我们发现,当障碍数量增加时,该问题本质上是一个高维、高约束的多极值优化问题。我们将这些难点分为两部分:高维度和高约束多极值。对于后者,我们利用提出的去中心化方法进行求解。对于前者,我们进一步将分治思想从候选解划分拓展到了决策变量的划分,从而达到显著降低搜索空间的目的。实验证明,我们提出的该方法可以极大地提升无人机路径规划的求解效率和性能。受到该工作的启发,我们将按决策变量分治的思想进一步从该无人机路径规划问题泛化到了一般性的高维优化问题上。这构成了本文的最后一个工作。