Alopex-based Evolutionary Algorithm (AEA)算法是一种融合了Alopex的启发方式和进化算法的群搜索技术的新型优化算法,即具有梯度下降的特点,又具有模拟退火的特点。本文在AEA算法的基础之上,针对AEA算法中两个对比种群包含相同个体信息的缺点,将Copula分布估计算法引入到AEA算法中,利用Copula分布估计算法来产生AEA算法中需要进行Alopex操作的两个种群,使得两个种群不仅包含从AEA算法相关性学习中所得到的启发信息,同时还包含考虑了变量之间相关性的Copula分布估计算法所提供的全局进化信息。这样,在每次的迭代中,首先利用分布估计算法给出种群的宏观概率分布模型,然后再利用Alopex实现微观层面的进化。然后通过11个标准测试函数对算法效果进行测试,并与算法EDA和EDA-AEA进行比较,从多个角度验证了CAEA算法在处理变量之间存在强相关性的优化问题时的优势。针对约束优化问题,提出了一种松弛参数自适应调整的新的约束处理机制,该方法通过在迭代中引入松弛参数,使得包含种群进化信息的“相对可行解”得以保留,从而引导种群的进化。随着种群的进化,逐渐缩小相对可行域直至收敛到可行域,充分考虑到不同函数具有不同可行域大小的情况。同时,引入一种自适应惩罚函数法增加算法的稳定性,它能够利用不同约束条件满足的难易程度来自适应的调整惩罚系数,从而保证惩罚力度不会过大或者过小。通过11个标准测试函数实验比较表明,新方法具有较好的寻优准确性和稳定性,在处理实际工程问题时具有一定的优势。