随着工程应用与科学计算规模的迅速增长,复杂的系统性优化问题已不能通过传统的数值计算方法得到满意解,近年来,随着研究者们对智能优化算法的深入研究,发现效仿自然界中动植物生态习性的仿生类算法对大规模复杂问题可以精确求解,弥补了传统寻优方法在求解大规模复杂问题时的不足,且应用领域更加广泛。鲸鱼算法（Whale Optimization Algorithm,WOA）是澳大利亚研究者Seyedali Mirjalili在2016年受座头鲸独特的觅食行为所启发提出的一种新型启发式智能搜索算法。该算法因其优越的寻优机制成为近两年演化算法领域中被广泛研究与改进的算法之一,已被成功应用于选址与路径规划、云资源调度、光伏发电功率预测、电力系统最优潮流、工业设计等问题的求解之中。WOA算法也存在着一些不尽完美的问题,如有时求解不够稳定,易陷入局部极值,对于部分工程优化问题适用性较弱等。针对上述问题,本文在借鉴大量资料与文献的基础上对其进行改进与测试,实现了对鲸鱼算法的提升和完善,并将经过完善和改进后的算法应用于电动汽车有序充电和电动汽车充电站站址规划问题中。本文主要完成的工作和创新点如下:（1）针对鲸鱼优化算法求解稳定性不佳、收敛速度有时较为缓慢、容易陷入局部极值等不足,提出一种具有轮盘赌选择和二次插值择优机制的双种群交互演化鲸鱼算法（Double population interactive evolutionary whale algorithm based on roulette and quadratic interpolation mechanism,DRQWOA）。将轮盘赌选择机制应用于搜索觅食阶段,避免了劣质解被多次选取的问题;在演化迭代的寻优过程中,使两种具有不同进化策略的种群进行持续的信息交换;在鲸鱼位置发生改变后,使用二次插值机制对鲸鱼位置再次更新,并对更新之后的位置进行择优替换。随后对算法流程做出了详细的描述,对算法的收敛性进行了证明,并给出了DRQWOA时间复杂度的详细计算过程。最后在CEC2017测试函数集上对6种算法在相同的软硬件环境下进行多维度对比测试,由实验数据可得,DRQWOA算法的寻优精度、求解速度、鲁棒性和收敛性能均得到了显著提高。（2）提出一种引入准对立学习、实时边界处理和强化搜索机制的鲸鱼优化算法（A whale optimization algorithm introduces quasi-opposition learning,real-time boundary processing and enhanced search mechanism,QREWOA）。在改进算法中对鲸鱼群体执行随机搜索策略和气泡网捕食策略的判断条件进行了调整,并在鲸鱼算法执行随机搜索时引入个体历史最优位置的信息;在鲸鱼个体位置更新后引入准对立学习机制;对原有的边界处理方式进行优化,妥善处理了大量个体因边界处理造成的同质化问题。随后给出了算法流程,理论证明了QREWOA算法的适应度和全局最佳解的渐进性,并对时间复杂度进行了理论分析。最后在CEC2017测试函数集上与6种具有代表性的算法进行对比测试,实验结果表明,QREWOA算法相较于其他5种对比算法在各类复杂函数上均具有更高的求解精度和寻优稳定性。（3）将DRQWOA算法和QREWOA算法分别应用于电动汽车充电优化中的有序充电和充电站选址问题。针对因电动汽车无序充电所带来的线路过载、供电网运行不稳定、配电网负荷峰谷差增大等问题,使用DRQWOA算法对电动汽车充电进行科学合理的引导,实现了在相应目标条件上的充电优化调度。采用6种对比算法对电动汽车充电优化的多目标数学模型进行仿真实验,结果显示DRQWOA算法在有序充电中更具有适用性和高效性。针对城市区域内电动汽车充电站选址规划布局和服务区域划分的问题,采用QREWOA算法与Voronoi图共同结合求解的方法达到全局寻优的目的。通过采用6种对比算法对算例进行仿真实验,结果表明,QREWOA算法能够有效解决城市规划范围内的电动汽车充电站分布不均匀和充电站服务区域划分不可控的问题。