随着控制领域涉及范围的扩展及知识自动化的兴起，人工设计工作的自动化变得越来越重要。而药物设计工作的自动化对药物设计具有重要的理论与实际意义。在知识自动化背景下，分子对接预测是实现药物设计自动化的重要手段，其是一种复杂的NP-hard优化问题，在新药设计过程中起着关键作用，然而目前尚未有一种通用方法能够有效解决该问题。因此，深入研究智能优化方法并将其应用于分子对接预测问题，具有重要的理论与实际意义。
　　本文首先介绍了智能优化方法及分子对接预测问题的发展现状，选取广泛应用于工程领域的差分进化算法（Differential Evolution Algorithm，DE）及人工蜂群算法(Artificial Bee Colony Algorithm，ABC)展开研究。针对各算法特点，提出改进方法以提高其寻优性能。通过在DE算法中加入学习机制和多变异方程结构，实现了搜索过程中参数的自适应调整，从而增强算法的鲁棒性及适应性，提出了改进DE算法;针对ABC算法存在的问题，引入扰动参数个数动态调整的机制，以加强搜索的收敛速度，同时在变异方程中引入种群信息，以提高对种群进化方向的指引，增强算法的全局搜索能力，进而提出改进ABC算法。通过分子对接预测试验，验证了所提出两种改进算法应用于分子对接预测问题的有效性。但仍然存在预测精度低且难以有效解决高维蛋白的问题。为了进一步解决上述问题，首先引入模拟退火超启发式算法结构，针对分子对接问题设计了特定的底层启发式算法池，并通过向底层引入问题域种群，课题组提出一种适用于分子对接预测问题的模拟退火超启发式算法。通过对包含有23个复合物以及广泛使用的GOLD经典测试集的测试，验证了该模拟退火超启发式算法在分子对接预测问题的有效性，且同当前经典分子对接预测程序相比，具有较好的预测精度。在此基础上，针对模拟退火超启发式算法存在的不足，对上层启发式结构和底层启发式组合进行改进。通过在底层加入变异和交叉操作，完善启发式组合;在上层引入种群，加强上层启发式对底层启发式空间的搜索，课题组提出了一种改进模拟退火超启发式算法，通过分子对接预测试验，验证了改进模拟退火超启发式算法的有效性。