受自然现象或生物进化启发的群智能算法被广泛用于求解科学研究和工程应用领域中的优化问题。面临优化问题不断增加的复杂性，许多群智能算法难以满足大规模复杂优化问题求解的需求，将合作协同演化理论引入到群智能算法成了求解大规模复杂优化问题的有效途径之一。基于合作协同演化的群智能算法通过多元集成、协同进化等方式，根据实际求解问题灵活构造抽象的算法模型，从而达到有效改善算法优化质量、效率和鲁棒性的目的。微粒群优化算法(Particle swarm optimization，PSO)是一种可靠、通用的元启发式优化算法，在各类优化问题中展现了令人瞩目的性能。然而，微粒群优化算法存在容易陷入局部停滞、早熟收敛或优化精度不高等缺陷。本文为了提高微粒群优化算法的性能，系统地分析了微粒群优化算法的基本原理和算法要点，从多角度入手，将合作协同演化理论引入到微粒群优化算法中，提出了基于合作协同演化的微粒群计算模型，并将其应用到实际管理优化问题中。该研究拓展了大规模复杂优化问题和群智能优化算法的研究范畴，为求解大规模复杂优化问题提供了有效的新方法。本文主要创新性工作概括如下：(1)为了适应各类复杂问题的求解，提高微粒群算法的普适性和鲁棒性，根据协同免费午餐理论，提出了基于自适应学习的多策略并行微粒群算法。融合快速收敛、跳出局部极值、深度搜索、广度开发四种变异策略，引入自适应学习机制，根据问题复杂程度选择出合适的策略来完成全局寻优。仿真实验验证了算法在优化效率、优化性能和鲁棒性方面均有很大改善，并具有较强的普适性。(2)通过对协同演化策略和群智能算法特性的反思，将协同演化模式和并行进化机制引入到微粒群算法和蜂群算法中，建立了一种多阶段动态群智能算法。该算法结合动态种群的微粒群算法与具有开发能力较强的协同蜂群算法的各自优势，取长补短实现全局寻优。该算法整个搜索过程分成三个阶段，为了保持种群的多样性，首先利用微粒群局部模型进行粗搜索；其次，采用个体间反馈能力强的协同蜂群算法搜索空间的广度以及深度；再次，利用微粒群全局模型提高寻优速度，从而完成整个问题的全局寻优。通过函数优化测试以及柔性车间作业调度问题的求解，验证提出算法具有收敛速度快、全局搜索能力强、稳定性好、求解精度高的特点。(3)受空间自适应划分和动态拓扑结构启发，将多目标优化问题分解成多个单目标问题进行求解，提出一种基于空间自适应划分的动态种群多目标优化算法，并引入年龄观测器以及精英学习策略防止帕累托最优解集陷入局部最优，对国际多目标测试函数以及环境经济调度问题进行仿真测试，提出算法能对解空间进行更加全面、充分的探索，从而快速找到一组分布具有尽可能好的逼近性、宽广性和均匀性的最优解集合。(4)以管理优化中具有代表性的带时间窗车辆路径优化问题为研究对象，采用基于集合编码方式，引入插入启发式与前推启发式信息初始化方法以及局部搜索算子，设计了一种解决多目标组合优化问题的微粒群算法，通过对国际标准测试算例带时间窗车辆路径优化问题仿真实验，验证了提出算法比许多启发式算法搜索精度高。运用算例仿真实验结果表明该算法能有效降低物流配送成本，提高配送效率具有较好的实用价值。(5)对涉及生产商、潜在配送中心以及分销商的低碳化多源选址-路径-库存集成问题进行研究。在考虑碳排放的基础上，对产品从生产商经过潜在配送中心再到最终分销商的整个流程中有关配送中心选址、库存要求以及路径选择等问题进行优化设计，构建低碳供应链多级网络选址-路径-库存多目标优化模型，以整条供应量成本以及碳排放成本最低为目标；设计了两阶段协同多目标微粒群优化算法；通过仿真实验对算例进行了分析，并对模型进行了求解，得出了相应的结论。