多解优化问题是一类具有多个最优解的复杂优化问题。多峰优化问题和多目标优化问题是两种典型的多解优化问题。云计算和物联网等先进技术的不断发展以及现实世界中日益复杂的应用需求催生了许多多解优化问题,亟需高效能的求解算法。进化计算算法是一类受自然界演化规律和群体智能现象启发的优化算法,通过种群演化实现对优化问题的寻优。由于具有不依赖待解优化问题的精确数学模型等优势,进化计算算法已经被广泛应用到多种复杂优化问题中并取得良好的求解效果。然而,传统的进化计算算法往往基于单一的搜索模式和单个种群对问题进行求解,在求解多解优化问题时仍然面临着容易早熟收敛、落入局部最优的性能瓶颈。针对这个问题,本文提出基于分布式进化计算的求解思路,通过多样化的搜索模式和多种群的协同实现分布式搜索以增强算法的全局搜索能力;从分布式个体搜索、分布式多种群搜索、分布式采样和分布式双层协同四个层次和角度提出高效求解多解优化问题的新型进化计算算法;同时,在云计算工作流调度和物联网中的无线传感器网络寿命优化等实际优化问题中进行应用验证。本文的主要研究工作与贡献包括:（1）提出基于分布式个体的多峰差分进化算法,通过种群中个体的分布式搜索提升算法求解多峰优化问题的性能所提出的算法中,种群的每个个体作为一个分布式搜索单元,各自拥有一个由自适应范围调整策略控制的虚拟种群,这使得种群中的个体可以充分探索搜索空间并各自定位到一个最优解。此外,提出个体寿命机制,赋予每个个体寿命,耗尽寿命的个体将重新初始化,从而进一步提高种群多样性以定位到更多的最优解。同时,将耗尽寿命且适应值良好的个体存储在一个外部存档中以保存个体在当前寿命中所定位到的最优解。然后,提出精英学习机制对外部存档中的解进行进一步地优化以提升其精度,使得所定位到的最优解可以达到指定的精度。在常用的多峰优化标准测试集上的实验结果验证了所提出的算法具有优良的性能。（2）提出基于分布式多种群的蚁群系统算法,为求解多目标云计算工作流调度问题提供了新型高效方法以云计算用户最关心的工作流执行时间和执行成本作为两个优化目标对云计算工作流调度问题进行建模。为了实现对问题的高效求解,提出分布式多种群的求解思路,采用两个种群进行分布式搜索以充分优化两个目标。两个种群通过一种新型的信息素更新规则和互补启发式策略协同帮助算法找到一组同时优化两个目标的高效调度方案。此外,提出精英学习策略以进一步提升所找到的调度方案的质量。采用多种规模的工作流和云计算平台上的计算资源数据进行实验仿真,实验结果表明所提出的算法优于多种现有的工作流调度方法。（3）提出基于分布式采样的分布估计算法,为求解无线传感器网络寿命优化问题提供了新型高效方法物联网中的无线传感器网络通常需要实现对一组目标点的覆盖。针对使用覆盖范围可调的传感器的场景,将无线传感器网络寿命优化问题建模为一个多解优化问题,其要求算法同时找到一组可以覆盖所有目标点的最优传感器状态设置方案（简称为覆盖方案）,然后通过一个线性规划模型确定每一个覆盖方案的最佳使用时间以使得无线传感器网络的寿命最大化。为了得到一组高效的覆盖方案,所提出的算法采用分布式采样策略,从基于不同个体的邻域所构建的多个概率模型中分布式地采样新个体,充分提升种群多样性,促进各个传感器的充分利用。此外,提出了基于线性规划的适应值评估策略和启发式修复策略以进一步提高算法的搜索效率。在多种规模的无线传感器网络实例上的实验结果验证了所提出算法的优良性能。（4）提出分布式双层协同的多峰差分进化算法,同时应对求解多峰优化问题所面临的多样性和收敛性挑战所提出的算法基于一种包含探索层和精炼层的新型分布式双层协同框架。探索层中的每个个体作为一个分布式搜索单元各自定位到一个最优解,最后将这些解输送到精炼层。精炼层首先对探索层输送过来的解进行聚类,然后每个类作为一个种群并各自采用差分进化算法进行演化,从而实现分布式多种群演化以提升所定位到的最优解的精度。在常用的多峰优化标准测试集上的实验结果表明,所提出的算法与多种现有的多峰优化算法相比具有更好的整体性能。综上所述,本文提出分布式进化计算的求解思路,开展高效能多解优化算法研究,通过充分的实验测试、对比与分析,验证所提出算法的优良性能,并应用到云计算工作流调度和物联网中的无线传感器网络寿命优化这两个实际优化问题。相关研究不仅为多解优化问题提供了新型高效的求解算法,并且极大地促进了进化计算在求解多解优化问题上的发展。