在自然中,生物通过优胜劣汰和遗传变异来进化。在计算中加入进化思想产生了进化计算。本文主要从事进化计算领域中的一个子方向:协同进化计算。协同进化计算和一般进化计算的区别主要在于算法中个体的适应度评价方法,在一般的进化算法中,个体的适应度由自身决定;在协同进化算法中,个体的适应度除了个体自身还和其他个体相关。相比之下,协同进化算法和真实的自然情况更加相近,是对自然进化行为更深层的模拟,具有较大的研究意义。基于此方面的研究,论文的主要贡献有以下两点。第一,提出了一种基于双空间的进化算法框架。在一般进化算法的种群空间之外组织一个新的信息空间,信息空间从种群空间提取状态信息、约束信息、历史信息等信息,并且随着种群的进化基于自身的更新算子完成更新进化。此外信息空间在种群进化的过程中会起到指导作用,根据各种信息的组合分析,影响种群空间的进化行为。在种群空间中可以结合不同的进化算法,通过信息空间和种群空间的共同进化,完成进化求解的过程。第二,在前文提出的双空间的进化算法框架下对两种协同进化算法:合作协同进化算法和竞争协同进化算法进行研究,结合近年来新提出的狮群优化算法和一些优秀机制,提出了两种新的协同进化算法。首先在双空间协同进化计算的框架下提出了一种合作协同进化狮群优化算法（Double Space-Cooperative Coevolution Lion Swarm Optimization Algorithm,DS-CoopCLSO）,通过历史信息指导避免算法的早熟现象,使用在CEC2014会议上提出的30个单峰、多峰、组合函数和复合函数等函数,以及大会制定的标准评价方法,对所提算法的性能进行了验证。通过与多种公认典型的进化算法进行比较,在不同的方面验证了 DS-CoopCLSO的性能。此外,将算法用于多阈值图像分割问题,结果表明分割效果良好。其次,提出了一种基于双空间的竞争协同进化狮群优化算法（Double Space-Competitive Coevolution Lion Swarm Optimization,DS-CompCLSO）,通过对两个种群赋予相互竞争的关系,令它们在竞争过程中完成共同进化。每个种群中按照个体的年龄将其划分为幼年子群和成年子群,通过子群的独立进化以及互相学习等行为过程,平衡算法的局部和全局搜索能力。最后在深度卷积生成对抗网络（Deep Convolution Generation Adversarial Networks,DCGAN）中使用所提算法提升模型训练的稳定性,通过对比在不同数据集上生成的图像,验证了 DS-CompCLSO在寻优过程中的有效性。