进化算法是一类仿生随机优化算法,通过模拟生物进化过程来求最优解。这类算法一般不要求目标函数可微、可导等条件,比传统优化算法应用更广泛,已经成为求解复杂优化问题的有力工具。优化问题广泛存在于工程实践与日常生活中,本文就进化算法在单目标和多目标优化问题上展开研究,分别提出求解相应问题的改进算法。对于单目标优化问题,本文对萤火虫算法(FA)进行研究,提出了基于拓扑改进与交叉策略的萤火虫算法。传统的萤火虫算法收敛速度慢,对于高维函数难以求解,容易陷入局部极小值。针对以上问题,本文首先用冯诺依曼邻域结构模拟萤火虫的交互方式,从而减小了运算复杂度,提高了运行效率,同时加强了算法的全局寻优能力,不易陷入局部最优。然后,提出了自适应交叉策略,每一代的最优萤火虫可以在不同的维度上向其它萤火虫学习,从而使算法能有效跳出局部最优,更容易找到全局最优解。实验表明在大多数问题上,改进算法性能优于原算法。在多目标优化问题上,本文对基于逆模型的多目标优化算法(IM-MOEA)进行了深入研究,并提出一种改进的基于逆模型的多目标优化算法(AN-IMMOEA)。在IM-MOEA中,为了提高建模效率,决策变量被随机分组。这种方法没有考虑到函数与变量之间的依赖关系,在改进后的算法中,用神经网络来评估函数与变量之间的依赖关系,从而对变量进行分组,提高了逆模型的可靠性。为了更好地处理前沿形状不规则的多目标优化问题,提出了自适应参考向量调整策略。参考向量根据每一代非支配解的分布进行动态调整,优化了搜索区域。实验结果表明,相较于原来的IM-MOEA算法和现有的性能较好的多目标优化算法,本文提出的AN-IMMOEA具有更好的算法性能。