在数据化和智能化时代,社会生产生活实践中充斥着大量最优化问题。这类问题往往具有复杂特性,例如非凸、多模、不可微等,甚至难以建立精确的数学模型。演化算法因其群体搜索的特性而被广泛用于求解复杂优化问题。但是,问题维度的激增对演化算法的可扩展性提出了严峻的挑战。本文对演化大规模优化算法开展研究,包括面向无约束和有约束的大规模优化问题构建协同演化框架、设计演化优化的基础策略,给出大规模优化测试基准等。具体地,本文的主要研究内容和创新之处如下:（1）针对无约束的大规模优化问题,提出了一种难度-贡献协同演化（Diffi-culty and Contribution-based Cooperative Coevolution,DCCC）框架。DCCC 优先优化贡献较大的子问题,依据子问题难度分配不等量的计算资源,其中子问题的难度越大,分配到的计算资源越多。另外,基于适应值景观的特征以及算法行为,提出了一个问题难度估计方法。实验结果表明,DCCC优于贡献感知的协同演化框架,并且同样优于CEC大规模优化竞赛中的获胜算法,例如CEC’2010竞赛的冠军算法 MA-SW-Chains、CEC’2013 和 CEC’2015 的冠军算法 MOS-CEC2013等。（2）针对大规模约束优化问题,提出了一种约束-目标协同演化（Constraint-Objective Cooperative Coevolution,COCC）框架。COCC 根据组件对原始问题目标值和约束冲突的影响分配计算资源。其次,根据现有的通用大规模优化基准设计指引,将一组小规模约束优化问题扩展成为大规模连续约束优化基准。实验阶段,选择了三种演化算法作为COCC的优化器,在提出的基准上进行了实验。实验结果表明,COCC显著优于现有的几种演化大规模约束优化算法。（3）针对演化优化的基础策略设计问题,提出了四种演化优化基础策略。具体地,提出了基于密度的种群初始化策略（Density-based Population Initialization Strategy,DPIS）,通过生成兼顾均匀性和随机性的初始种群增强演化算法性能;提出随机方向修复策略（Random Direction Repair,RDR）,引导不可行解向着可行域移动搜索满足约束的解;提出混合聚类策略,提升头脑风暴优化的聚类效率和探索效率;提出粒子群优化和进化策略的混合算法,集成了粒子群优化探索全局景观的优势以及进化策略挖掘局部景观的能力。实验结果表明,提出的策略能够提升演化算法的性能。（4）针对大规模优化基准构造问题,提出了一套新的大规模优化测试基准。在现有大规模优化测试基准的基础上,该方法考虑了两种从现实世界大规模设计优化问题中抽象出来的新特性:异构设计和多变耦合。根据提出的设计方法,构造了一套具有15个大规模优化问题的测试基准。最后,选择了四种代表性算法在该基准上进行了比较实验,结果表明现有的演化大规模优化算法难以处理具有异构多变耦合模块的大规模优化测试基准。综上所述,本文针对大规模优化问题所开展的演化大规模优化算法研究取得了创新的成果。