生物启发式计算是受微观生物系统与宏观生态系统内在规律的启发，在仿生学、生态系统分析、计算机应用技术等学科的基础上逐渐发展起来的一种计算智能方法，其中生物进化论、共生进化论、复杂适应系统(CAS)理论为生物启发计算提供了重要的理论支撑。近年来，在传统生物启发式算法基础上引入生物复杂自适应系统的协同进化思想求解优化问题已成为计算智能研究领域的一个重要方向。　　生物学研究表明自然界中的生物系统的协同进化不是单一扁平化行为而是具有层次的渐进式演化，即生物系统在个体、种群、群落各个层面都有一种相互影响、制约的演化模式和层次性信息网络结构，生物系统中的较低层次可以向较高层次涌现出不同属性。　　本文根据生物系统中普遍存在的共生进化、层次化涌现、种群动态迁移等现象，利用基于个体模型(Individual Based Modle，IBM)建模方法，抽象出基于层次协同演化模式的统一计算框架及模型，并利用其改进传统的人工蜂群算法，打破传统优化算法的局限性，最后将新模型及算法应用于实际复杂问题求解，以验证其有效性。本文的主要研究工作概括如下:　　(1)借鉴复杂适应系统层次结构和生态群落共生进化思想，提出了基于层次协同演化模式的多种群进化模型(Hierarchical Co-evolution Model，HCOM)。HCOM模型从协同进化过程的本质出发，定义了个体-种群-群落层次，描述了协同进化共性机制，其模型框架涵盖了生物群落进化过程中的种群演化模式（包括:生物群落的层次间信息交流模式、生物群落内种群共生模式的多型性及种群内部个体状态迁移模式），以及个体层、种群层、群落层的基本操作与进化策略。　　(2)在三层HCOM框架基础上，提出一种基于群落层次演化的混合多巢人工蜂群优化算法(Hybrid-Multi-Hive Artificial Bee Colony, HABC)。针对大规模复杂问题，HABC算法采用基于分治(Divide-And-Conquer)策略的维度分解方法，将复杂高维优化问题分解为相对简单的子问题，由并行的子群体进行协同进化。采用交叉操作与精英策略增强种群间信息交流，以保证群体多样性。采用随机分组策略解决在没有先验知识条件下的强耦合变量分解问题。选取15个连续Benchmark测试函数和5个离散Benchmark函数对算法进行性能测试。实验结果表明HABC寻优精度高，寻优时间少，算法稳定，其性能优于一些经典的生物启发式进化算法，也优于所对比的协同进化算法，能够有效解决复杂的高维优化问题。　　(3)引入外部档案和拥挤策略处理多目标非支配解，将单目标HABC算法扩展为多目标混合蜂群优化算法(Multi-objective Hybrid Artificial Bee ColonyAlgorithm，MOHABC)。MOHABC算法将协同进化机制和非支配解记忆存储机制思想相结合，使之具有较好的搜索能力和较强的收敛性。同时采用外部档案用来保存获得的帕累托(Pareto)解集，计算拥挤距离以淘汰外部档案中的冗余解。基于10个多目标优化测试问题的实验结果表明，与NSGA-Ⅱ、MOPSO以及SPEA2等多目标优化进化算法相比，MOHABC得到的Pareto最优解在精度和均匀性方面具有比较明显的优势。　　(4)针对复杂动态优化环问题特征，引入了基于生命周期的种群动态迁移、强化学习、基于Powell方法的局部精细搜索等策略，设计了一种能够快速适应环境变化且性能优良的基于种群动态迁移的混合蜂群算法(Population-migrating-based hybrid artificial bee colony algorithm, PMHABC)，并应用于动态无线网络的读写器部署规划。实验仿真表明在传统静态测试函数上，PMHABC算法的性能优于一些经典的优化算法，也优于基于标准ABC算法;在动态Benchmark函数测试中，新提出的算法能够快速追踪变化的局部最优形貌，显著提高了智能计算方法的动态寻优能力。最后在基于动态无线网络中的读写器部署规划问题求解中，PMHABC体现出了较强的适应性、鲁棒性和平衡性等性能。　　(5)以复杂微滴图像的智能分割与全印制电子喷射系统中的微滴图像特征提取为应用背景，提出了基于多阈值聚类的微滴图像分割算法。在基于传统的Otsu与Kapur熵判据估计基础上，通过引入群落演化与迁移协同优化机制，包括基于增强学习策略与局部精细搜索操作，平衡了算法在探索与开发之间的平衡。试验结果表明，提出的智能分割算法为提取微滴喷射系统中的微滴轮廓、体积及速度等关键参数提供了技术支撑，有利于提高全印制电子系统的性能。