很多工程、科学、管理等领域的实际问题都可以归结为复杂优化问题,因此有效的求解这类问题是至关重要。复杂优化问题通常是高维、多目标、动态、不确定和多约束的。群体智能算法包括粒子群优化(Particle Swarm Optimization,PSO)算法是解决复杂优化问题的常用算法,但随着维度、目标、约束等增多,算法的性能和效率会降低。因此,设计新的策略以应对算法的性能和效率瓶颈,是目前群体智能算法领域的研究热点。本文以量子行为粒子群优化算法(Quantum-behaved Swarm Optimization,QPSO)为基础,针对复杂问题的高维性和多约束性,特别是大规模优化问题,基于不同的解决方案提出以下几种新的策略和方法。(1)提出了一种新的资源分配的方法。由于大规模优化问题的维度过高,因此许多协同演化合作的算法(Cooperative Co-evolution,CC)首先会将大规模优化算法分解成为多个子问题,然后使用群体智能算法独立的优化各个子问题。将大规模优化问题的优化转化为求解低维度的优化问题能够减小问题求解的难度,然而,大部分算法都专注于设计问题的分解策略和群体智能算法的改进,但是却忽视了对计算资源的合理利用。因此,本文提出了一种新的自适应的资源分配方式结合基于问题分解的量子行为粒子群算法来求解大规模优化问题,该方法首先平均分配合理的迭代次数给各个子问题,然后排序得到各个子问题在该阶段的贡献度升序序列,按照贡献给予不同的迭代步用于下一阶段的搜索。同时,为了能够使传统的多样性控制策略能与提出的算法匹配,本文提出了一种分阶段的多样性控制方法。并且,本文基于两种多样性的度量方式即基于距离到平均位置和基于熵的多样性度量方式对标准粒子群算法和QPSO在迭代过程中的种群多样性进行了研究分析,以证明种群的多样性变化与适应值是具有正相关关系的,从而确保了使用多样性控制的方法对提高算法全局搜索能力是有效的。(2)提出了基于代理模型辅助策略结合量子行为粒子群算法(Surrogate Assisted Quantum-behaved Particle Swarm Optimization,SA-QPSO)来求解大规模优化问题。基于代理模型辅助的群体智能算法的思想是通过使用代理模型近似估计新个体的适应值来代替使用真实适应度计算的方式,从而降低算法的计算资源并且加快算法的搜索速度。在传统的基于代理模型辅助的群体智能算法中,由于训练集的样本数量随着迭代过程变大,导致训练时间成指数级增长。随机选择的方式也会出现较差的样本组合被用来训练替代模型,反而误导算法搜索方向影响寻优的过程。因此,本文设计了一种代理模型辅助的QPSO算法,该算法通过选择一定数量的样本训练替代模型以减少训练时间,同时也通过使用基于曼哈顿距离的度量方式每隔固定的迭代步丢弃较差的样本来保证较优的训练样本集,从而来引导搜索过程。实验结果表明,与现有的基于代理模型辅助的群体智能算法相比,本文提出的算法在相同的迭代步下,能够找到更为满意的解。(3)针对大规模优化问题设计了一个新的框架,即多层次竞争框架来提高全局搜索能力。该框架可以用于一般的基于群体的随机搜索算法包括粒子群优化算法。层次竞争框架包含两个策略,第一个是层次竞争策略,该策略的灵感来自于社会竞争,良性的社会竞争能够使群体往正确的方向搜索,同时引进多层竞争概念和优胜劣汰机制使得较差的粒子可以通过不断的学习从下层进入到上层,而上层的粒子也可能由于竞争从上层淘汰到下层。层数过多会导致收敛速度急剧下降,因此该框架一般设置为三层。通过该策略,使得由单个全局最好位置作为引导的粒子群算法能够降低其引导整个群体陷入局部最优的概率。第二个策略为二阶段等待策略,大规模优化问题往往有许多的局部最优解,如果算法快速的收敛往往会导致算法陷入局部最优。为了提高算法的全局搜索能力,并考虑到本文设计的层次竞争策略,本文提出了使用当前层的相邻上层的平均个体最好位置来引导该层搜索。该策略能够使得算法能够以更高的概率将陷入局部最优的个体拉离。随后,本文将该层次竞争框架和PSO和QPSO进行了融合,并在基准数据集上进行实验,而后将获得的实验结果与PSO和QPSO算法进行比较。通过分析我们得出,结合层次竞争框架能够有效地提高算法的全局搜索能力,适用于大规模优化问题。(4)除了上述基于QPSO提出新的策略算法用于解决复杂优化问题的工作之外,本文也基于QPSO算法做了若干应用。首先,本文研究了高光谱人脸的分类问题。针对该问题中存在得“休斯现象”,即高光谱图像波段间相关性强信息冗余度高导致分类算法识别率不高,提出了两种波段选择方法,分别是层次聚类的波段选择法和基于QPSO的波段选择方法。通过实验我们分析得出,基于QPSO选择的波段组合的加权融合算法不仅能得到可比的识别率,而且更为合理。其次,本文针对复杂的工程设计优化问题提出了一种变分布的量子行为优化算法,该算法通过使用自适应的改变高斯分布,使得QPSO算法随着迭代过程不断地收缩搜索空间,使算法从较强的全局搜索能力慢慢变化到强的局部搜索能力,平衡了算法在不同阶段的全局搜索能力和局部搜索能力,与传统的结合遗传算法或者其他基于梯度的算法相比,该算法的优势是针对不同问题只需要调整更少的参数并且能够保证找到更好的可行解。同时,基于该算法在两个工程多约束优化问题上进行试验,得到实验结果均比现有算法有更好的表现。本文的研究成果对于采用群体智能优化算法解决大规模复杂优化问题提供了理论指导,具有一定的学术价值。对于所提出的算法改进策略的应用研究,为解决实际工程领域的复杂优化问题的解决提供可行的方法,具有一定的应用推广价值。