优化问题作为生活和生产系统中最为常见的问题,进一步提升优化技术的求解效率具有十分显著的理论和现实意义。传统基于梯度的优化方法具有理论完备、算法效率高、计算结果稳定等诸多优点,然而随着社会发展科技进步优化问题变得越来越复杂,导致传统方法很难独立解决目标问题。群智能属于一类基于群体随机搜索的全局优化方法,在解决复杂的单目标、多目标以及约束优化问题时表现出极强的适应性。因此,以群智能为基础的群智能算法研究受到国内外诸多学者们的普遍关注,目前已成为智能优化领域一个极其重要的研究热点,特别是差分进化算法和粒子群优化算法已经成为本领域最为炙手可热的研究方向。尽管与传统的优化算法相比,群智能算法具有易于实现、智能搜索、扩展性高及易于并行等优点,但作为一类进化算法,其本身也存在着不足,尤其是早熟收敛和局部最优问题。针对群智能算法因过早收敛而容易陷入局部最优的问题,本文对基于定向和个体差异进化策略的群智能算法进行研究,并对传统的差分进化算法和粒子群优化算法模型进行改进,充分利用个体进化信息和个体间的竞争机制,增强种群多样性,平衡全局和局部搜索能力,有效避免种群因早熟而陷入局部最优,提高算法的寻优效率。综合而言,本文主要完成了以下工作:(1)鉴于传统差分进化算法只在相同代种群个体间选取差分向量而忽略了相邻代之间存在的进化差异,即亲本和子代之间的进化方向。为避免进化过程产生的子代过于任意,同时为了将亲代的优秀信息传递下去,本文将定向进化策略引入差分进化算法。为有效保障种群进化过程中的多样性,本文设计并实现了自适应机制,即通过将整个种群划分为3个分布式子群,子种群根据各自表现从构建好的操作池中选择变异和交叉操作,个体基于自身表现设置相关参数,实现了算法模型中进化方式和控制参数的动态调整。此外,作为种群多样性的重要补充,本文在选择下一代种群过程中引入云模型,通过对当前种群特征的学习增强下一代个体空间的合理性和多样性。基于上述模型的分析与设计,本文提出了一种基于定向策略和云模型的自适应差分进化算法,并通过实验验证了该算法的收敛性、有效性和鲁棒性。(2)针对标准粒子群优化算法模拟鸟群觅食群体行为过程重点实现了种群信息的共享而没有充分考虑个体自学习、自组织的个体思考能力问题,本文设计并实现了一种个体差异进化机制,即通过量化个体差异性体现个体竞争能力,个体基于自身差异性进行自我思考、自我学习。个体差异进化机制的本质是自适应性,但它更强调个体的自我决策能力,明确并量化个体之间的不同,指导个体通过自我判断选择更为适合的进化方式,充分利用个体间竞争机制来体现个体在决策过程中的智能性。为进一步表明个体差异性,也是为了保持种群多样性,本文引入了灾变策略,即给予表现极差的个体灭顶之灾,同时新生同等规模的随机个体。此外,本文实现了基于个体表型的控制参数自适应调整,包括惯性权重和学习因子。基于上述模型的分析与设计,本文设计了一种带有灾变策略并基于个体差异的改进型粒子群优化算法,并通过实验验证了该算法高效性。(3)为解决传统最小二乘广义逆载荷识别方法中矩阵求逆带来的奇异性和病态问题,本文将不相关多源频域载荷识别问题转化为一个单目标最优化搜索的正问题,并针对具体的应用背景设计实现了一种多策略改进的粒子群优化算法。该算法采用的改进策略包括3个方面:针对标准粒子群优化算法种群初始化的完全随机性,本文依赖具体应用的领域知识提供初始化种子,带有一定方向性的生成原始种群;针对标准粒子群优化算法控制参数设置需要人为干预的问题,提出了一种非线性不对称时变参数自适应策略,一定程度上体现了不同个体进化方式的差异性;在粒子迭代到下一代之前对所有的候选粒子进行了预处理,引入遗传算法中的交叉和变异操作来增强种群多样性。数值实验表明了本文提出的改进型粒子群优化算法的高效性,仿真实验证实了该算法在不相关多源频域载荷识别中的适用性和准确性,同时也反映出群智能算法研究在实际工程问题中的广泛应用前景及其优越性。