自然界的许多自适应优化现象不断地给人类以启示：生物体和自然生态系统可以通过自身的演化就使许多在人类看起来高度复杂的优化问题得到完美的解决。在此背景下产生了以模仿自然与生物机理为特征的拟生态系统算法。这类新型的优化算法模拟了完全依赖生物体自身的本能、通过无意识的寻优行为来优化其生存状态、以适应环境的自然生态系统。拟生态系统算法具有许多与传统优化算法（如数学规划、动态规划等）不同的特点。 本论文研究了三种典型的拟生态系统算法——遗传算法、蚁群算法、免疫算法的基本原理和特点，在此基础上，针对这些算法在实际应用领域中存在的问题，提出了一系列的改进方法，并且通过多个实际应用问题的求解，充分验证了本论文对这些拟生态系统算法改进的有效性和必要性。本论文主要研究成果如下： 1、对遗传算法在多目标优化、并行计算、混合变量类型等方面的扩展进行了研究。在Pareto最优性的基础上提出了基于分级评价技术的并行多目标遗传算法，使求解过程始终将解的最优性和决策者对目标的偏好信息结合在一起。为解决复杂优化问题中常见的混合变量类型问题，提出了一种新的双层编码算法。对于具有NP复杂性的大规模组合优化问题，扩展了遗传算法的并行特性，提出了一种递阶分解并行算法，使问题求解时间至少减少一个数量级。该方法具有通用性，可灵活处理不同类型的优化变量，实现了人机交互的多目标决策，而且并行实施大大提高了问题求解的速度。 2、对拟生态系统算法中的蚁群算法进行了研究。提出了一种可用于求解连续空间优化问题的自适应蚁群算法。采用了一种新的基于目标函数值的启发式信息素分配算法，以及搜索过程中最优解的筛选方法。通过自适应的蚁群搜索信息素更新策略，保证了在搜索过程中，搜索路径上信息素的分配与解的最优性成正比，同时对当前最优路径上的路段，依据位编码信息合理地分配信息素。研究表明，这种算法能从过去的搜索中增强学习的能力，并为后续搜索提供正确的指导信息，避免重复大量的无效搜索，提高了搜索效率。一个多极值点的连续优化问题求解实例证明了该方法的有效性。 3、在分析了免疫系统疫苗接种机理的基础上，提出了一种新的自识别全程免疫算法，用于求解复杂最优化问题。该算法随着抗体培养周期的延伸，能够自适应地从免疫系统中学习，有针对性地克服新抗体产生的盲目性，逐渐增强系统的防御能力，使抗原的活性快速降低，使算法以更高的效率找到问题的最优解。仿 11 摘 要真实例研究了本算法的求解精度和收敛性，经验证这一算法是一种行之有效的方法，具有更强寻优能力。 4、采用本文提出的多目标遗传算法，研究了多罐连续配料过程这一混合动力学系统最优控制问题的多目标、混合动力学的基因表达方案和控制实时性等问题，提出了求解的设计思路及实现方法。并以一个三罐连续配料过程为例，对该算法进行了应用研究。实例研究表明，这一方法具有可处理十分复杂的。甚至难以用精确的、解析的数学公式表达的目标函数和混合动态约束条件的明显优点，具有理论上的重要性和广泛的实际应用价值。为采用遗传算法求解混合动力学最优控制问题的研究提供了经验。 5、分析了混合生产调度问题的特点和难点，给出了并行多目标遗传算法求解这一动态生产调度的多目标优化问题的基本框架。在人机合理分工的前提下，克服了多目标决策中的不确定性；并行策略的实施大大提高了求解的速度。并提出了一种嵌套混合蚁群算法来求解动态混合生产调度问题。计算机仿真研究结果表明，拟生态系统算法能够很好地解决此类生产调度领域的前沿问题。 6、研究了并行多目标遗传算法在求解一个实际的多品种饮水加工柔性生产过程调度问题中的应用。针对多品种、多目标的柔性生产过程调度问题的复杂性，利用遗传算法能够解决复杂的搜索空间以及不需了解有关函数更多信息的优势，采用目标分级的策略将目标的偏好信息和最优解的评价联系在一起，从而产生出灵活的、交互式的、具有广泛实际应用前景的调度方法。计算机仿真结果验证了本论文所提算法的有效性。 最后，对全文的研究工作进行了总结，并展望了拟生态系统算法的需进一步研究的课题和实际应用前景。