本文首先对遗传算法、协同进化遗传算法的基本思想、算法结构、适用范围和优缺点进行了较为系统的学习与研究，在此基础上，分别提出了一种基于搜索空间分割的协同进化遗传算法和一种协同进化多生境遗传算法，并对算法性能进行了实验评测。此外，论文还讨论、研究了协同进化遗传算法在网络资源分配和群体决策中的应用。具体内容如下:　　(1)针对经典协同进化遗传算法在优化大决策空间问题时计算复杂度较高的问题，提出了一种基于搜索空间分割的协同进化遗传算法。其基本思想是:将种群分割为不同规模的子种群，在进化过程中应用ε自适应方法调整子种群的规模。复杂度分析和数值实验表明，改进后的算法可降低算法的计算量，提高算法的优化效率。　　(2)为了提高多生境遗传算法的优化效率，提出了一种基于协同进化的多生境遗传算法，基本思想是:将种群分割为若干子种群，每个子种群采用合作型协同进化方法独立进化;个体评价采用多生境方法，具体作法为:在对个体的适应值进行共享调整的同时，在选择中采用确定性排挤方法，在替换中采用最相似个体适应度最差个体被替换策略，以维持种群的多样性。数值实验表明，上述算法在维持多生境遗传算法较强全局搜索能力的同时，可适当提高算法的运行效率。　　(3)建立了多种群协同进化遗传算法资源分配决策模型，给出了基于遗传算法的模型求解方法，并给出了计算实例。结果表明此模型可以更加合理地分配计算资源，使协同进化子种群在计算节点上进化的时间大大缩短。　　(4)将CGA和IGA相结合，提出一种分布协同IGA，该算法在确定共享个体的数量和选择共享个体时，考虑的因素主要是群体决策的认可度和用户的偏好，提出的基于进化个体相似度的类适应值近似策略，可以有效地减轻用户的疲劳。将此算法应用于服装色彩设计问题，实验结果验证了算法的可行性。