1996年M(?)hlenbein和Paaβ提出的分布估计算法,现在已经成为演化计算领域的一个研究热点,由于其优异的全局寻优能力而受到了相关领域专家学者们的重视和青睐,并且已经在多目标优化、汽车齿轮机械结构、特征选择、不精确图形匹配、癌症分类、生物信息特征提取、军事天线的优化设计等众多方面取得了较好的应用效果。本文主要对分布估计算法的改进和应用展开研究。主要贡献如下:提出了一个改进的带变异分布估计算法。该算法在传统EDAs中加入了变异算子。由于传统EDAs在每一代从搜索空间中抽取一个描述可行解分布特征的概率模型,故多数现存的EDAs不能直接应用当前解的局部信息。而带变异分布估计算法可以结合全局统计信息和群体解的局部信息产生后代,从而提高了传统EDAs的性能。应用带变异分布估计算法解决非线性整数规划问题。为了证明提出的带变异分布估计算法的有效性,选择了三个常用的非线性整数规划问题进行实验,实验结果表明本文提出的方法能够成功的解决非线性整数规划问题。应用带变异分布估计算法解决最大团问题,并将算法与启发式遗传算法和MIMIC算法进行比较。实验表明带变异分布估计算法在DIMACS标准测试图上优于Marchiori的启发式遗传算法和MIMIC算法。提出基于拉丁超立方试验设计的优化算法。在传统EDAs基础上,引入试验设计的思想,提出了基于拉丁超立方试验设计的EDAs算法,该算法能更好地生成初始样本,实验表明这种方法改进了原有EDAs的性能。