演化计算是用计算机模拟大自然的演化过程,特别是生物的进化过程,来求解复杂问题的一类计算模型。演化计算具有自学习、自组织、自适应的特征和简单、通用、鲁棒性强、适于并行处理的优点,已经被广泛应用于实际应用中需要进行大量的搜索和优化的领域。社会认知优化(Society Cognitive Optimization)就是这样一种模拟人类社会的演化算法。社会认知优化是基于社会认知理论(Society Cognitive Theory)发展起来的一种智能优化算法。社会认知理论认为人格是综合遗传、环境和认知而形成的,特别重视环境和认知的作用,强调人际之间社会学习的重要性。社会认知优化是通过竞争选择和领域搜索来模拟社会认知理论中的社会学习能力,用代理来代表社会中的人,用知识库来代表社会中的知识,通过代理与知识库之间不断的交互来模拟人类的社会学习过程,从而达到优化学习的目的。自组织迁移算法也是一种演化算法。这种算法模拟的是一群动物寻找食物的过程,群体中的所有成员总是朝向群体中最好的个体进行跳跃式的搜索。自组织迁移算法不像经典的演化计算那样通过父代产生新的个体,而是个体在搜索空间内朝向最好的个体运动搜索的过程。本文将自组织迁移算法引入了社会认知优化,结合两者的优点,对社会认知优化进行了改进,在社会认知优化的过程中融入自组织迁移的过程,通过增加两个参数协调两者优化的进程。实验结果显示,改进后的社会认知优化可以在优化早期就获得较快的收敛速度,却只对最终的优化结果产生微小的影响。然后,将改进的社会认知优化算法应用于求解SAT问题。命题逻辑中合取范式(CNF)的可满足性问题(SAT问题)是当代理论计算机科学的核心问题,是一典型的NP完全问题。由于现代科技、军事以及经济管理的大量重要应用都归结为求解NP完全问题,因此,它的快速求解不仅具有重要的理论意义,而且在软件自动开发技术、VLSI设计以及知识库维护等许多领域都有重要的实际应用价值。各国学者对它进行了广泛而深入的研究,提出了完全算法和不完全算法。本文将改进的社会认知优化求解该问题,结果比较满意,证实了该算法的实用性。最后,将改进的社会认知优化算法应用于求解圆形packing问题。圆形