本文提出分析和设计智能优化算法的一个创新论点:从搜索操作与搜索策略两个方面分析智能优化算法共有的特征,根据这些共性的特征,灵活地设计搜索操作和搜索策略,以实现智能优化算法更好的全局寻优能力和更强的搜索性能。在搜索操作方面,本文提取出智能优化算法具有共同的特征——群体随机搜索。根据这一共同特征,本文首先在一个粒子群中建立粒子邻域区间,粒子邻域集合的概念,在此基础上,证明一个粒子邻域集合对目标空间的覆盖定理。随后,基于粒子邻域集合对目标空间的覆盖定理,提出一个粒子群的邻域随机搜索操作,构建一个随机游动粒子群。针对随机游动粒子群使用的邻域随机搜索操作,论述了邻域随机搜索操作的全局性要求。根据该全局性要求,进一步将随机游动粒子群发展为一个多角色的随机游动粒子群,以实现邻域随机操作能遍历整个目标空间。在搜索策略方面,本文将智能优化算法中的搜索策略可分为选择竞争策略和启发学习策略两类。根据这一共同特征,本文利用多角色随机游动粒子群的多角色特性,混合选择竞争策略和启发学习策略,共同控制随机游动粒子群的邻域随机搜索,从而建立一个多角色的随机游动粒子群算法。其中,选择竞争策略采用了免疫机制中的克隆选择竞争策略,启发学习策略采用了基于精英邻域的启发学习策略。通过在邻域随机搜索操作中混合这两种策略,一方面利用竞争选择机制提高群体质量,另一方面利用启发合作机制平衡开采搜索和勘探搜索,使算法具有更好的搜索性能。在建立了多角色随机游动粒子群算法后,本文从理论研究和仿真实验两方面论证了多角色随机游动粒子群算法的有效性与性能特点。在理论研究方面,首先基于粒子群邻域集合覆盖定理和粒子群的随机邻域搜索操作,论证多角色随机游动粒子群算法具有全局搜索性能。其次,将多角色随机游动粒子群算法的搜索过程描述为一个Markov链,基于Markov链的收敛性定义,论证了多角色随机游动粒子群算法的收敛性。最后,分析了多角色随机游动粒子群算法的控制参数与算法性能的关系,将算法的控制参数统一为3个:随机游动粒子群的粒子数(m),一个粒子在目标空间一个维度上的平均克隆粒子数量(Np),局部邻域因子(lf)。给出了3个控制参数的选取标准和一般取值区间。在仿真实验方面,本文广泛地选取了在智能优化算法性能测试中使用的30个测试函数,对多角色随机游动粒子群算法进行全面测试。首先,测试控制参数(m,Np,lf)在不同取值下对多角色随机游动粒子群算法性能的影响。其次,根据对30个测试函数的实验结果,与其它7个经典算法的结果进行了比较。以上所有的测试结果均说明:1),在控制参数(m,Np,lf)的不同取值下,多角色随机游动粒子群算法均能稳定地收敛到30个测试函数的全局最优点或近全局最优点,表明多角色随机游动粒子群的邻域随机搜索具有稳定的、健壮的全局搜索性能。2),随机游动粒子群的粒子数(m)、一个粒子在目标空间一个维度上的平均克隆粒子数量(Np)、局部邻域因子(lf)三个参数分别反映了邻域随机搜索操作、克隆选择竞争策略和精英邻域启发学习策略对算法的影响,然而,这三个参数主要影响算法的收敛速度这一性能,对算法的全局搜索性能、稳定性和鲁棒性影响不大。根据优化函数的特性,合理选择适当的参数值,能有效地提高算法的收敛速度。