关于启发式算法及实际应用的研究近年来受到人们的广泛关注,并获得了良好的应用效果。本文对差分进化算法、和声搜索算法、粒子群优化算法及其应用进行了研究,主要工作如下：(1)针对粒子群优化算法的不足,提出了一种全局粒子群优化算法(GPSO)。GPSO算法主要对基于惯性权重的IWPSO算法进行了两个方面的改进。第一,GPSO算法将惯性权重设计成指数型函数与随机数相乘的形式,这种惯性权重使算法在寻优初期具有较强的全局搜索能力,而到了寻优后期具有较强的局部搜索能力。第二,GPSO算法对全局最优解进行了扰动,这样可以有效地防止算法早熟,提高算法对解空间的开发能力。使用三种粒子群优化算法来解决6个无约束优化问题,仿真结果表明,与其他两种粒子群优化算法相比,GPSO算法具有更快的收敛速度和更强的逃离局部最优的能力。(2)针对差分进化算法的基本原理进行了深入的学习和探讨,提出了一种扩展变量维数的自适应差分进化算法(EVSDE),该算法将DE算法的控制参数作为解向量的一维分量,随着差分进化算法寻优过程的运行,最终可得到适应不同寻优阶段的控制参数,提高了算法的寻优能力。此外,还提出了一种新型的变异策略,更好的平衡了算法的全局搜索能力和局部搜索能力。(3)描述了系统可靠性问题,并介绍了3种典型系统可靠性问题及其数学模型。通过对离散变量和约束条件的处理,将带有约束条件的数学模型转化为无约束模型。利用第三章提出的扩展变量维数的自适应差分进化算法(EVSDE),对三种典型系统的可靠性问题进行了优化处理,并与DE算法和JADE算法进行了比较。通过列出的优化结果和算法的收敛曲线可知,对于上述3种典型系统可靠性问题,EVSDE算法寻优能力要优于其他两种差分进化算法,能够满足一些系统可靠性优化问题的求解需要。(4)引入了实用最优点的概念,其本质是约束条件下的最优点,它更满足实际问题的要求。为求取实用最优点,提出了邻域采样的近似判断方法,同时借鉴粒子群搜索的思想提出了一种快速搜索算法。仿真实验验证了所提出方法不仅可以求出实用最优点,而且具有良好的寻优性能。(5)针对现有和声搜索算法存在的不足,提出了一种学习型和声搜索算法(LHS)。该算法引入一种新的学习搜索机制,给出了参数]HMCR和PAR新的更新策略。对16个测试函数的仿真实验表明,与其他4种和声搜索算法相比,LHS算法能够很好地改善HS算法的优化性能。采用LHS算法求解0-1背包问题的结果表明,LHS算法与其他3种和声搜索算法以及以往文献中的启发式优化算法相比,具有更好的优化效果。(6)讨论了多目标柔性作业车间调度问题,针对该问题提出了一种连续化的求解方法。新提出的基于加工起始时间优先级和加工流程图的编解码方法,使得多目标柔性作业车间调度问题在连续空间内的求解变得更容易。同时为提高解的质量和搜索效率,根据多目标FJSP问题的先验知识以及启发式规则,设计了新的邻域结构,进行机器选择和工序调度部分的局部搜索。通过对文献中的五个实例进行仿真实验和算法比较,验证了所提出算法的有效性。