传统的混沌优化算法建立在Logistic序列的基础上,并采用串行迭代机制,对于自变量范围较大、自变量维度较高的优化问题,较难求出其全局最优解,同时算法搜索时间过长,过度依赖于它的迭代次数。基于上述问题,提出一种新颖的并行混沌优化算法。针对单目标和多目标优化问题,并行混沌优化算法又可分为单目标并行混沌优化(Single-Objective Parallel Chaos Optimization,SOPCO)算法和多目标并行混沌优化(Multi-Objective Parallel Chaos Optimization,MOPCO)算法,并将其分别应用到标准测试函数和具体问题中,算法均取得了良好的效果。首先归纳出8种常见的混沌序列,分析它们的混沌映射图和李雅普诺夫指数,并将不同的混沌序列引入到混沌优化算法中。仿真实验表明,采用Tent映射的混沌优化算法性能最优。单目标并行混沌优化算法在Tent映射的基础上,引入并行迭代和精英库机制,并采用了一种在一定概率下自变量范围根据迭代结果和迭代次数收缩的策略,显著提高了算法的全局和局部搜索性能。通过对23个标准测试函数的仿真实验,SOPCO算法均表现出了良好的优化性能,且总体上优于灰狼优化、粒子群优化和差分进化这三种比较算法。多目标并行混沌优化算法整体上沿用单目标并行混沌优化算法的框架,在算法中引入非支配关系和拥挤度排序操作,在保证算法优化性能的同时,使算法获得的非支配解尽可能多,并且使最优解的分布性和多样性得到了一定的保障。为了测试算法的性能,针对8个典型的多目标测试函数,引入3个算法性能评价指标,仿真实验表明MOPCO算法在解决多目标优化问题时比NSGA-Ⅱ、SPEA2和多目标灰狼优化这三种算法更有优势。针对区域防空火力部署这类单目标整数优化问题,SOPCO算法依据来袭敌人的威胁度矩阵和我方防御武器的毁伤系数矩阵,对不同的敌人分配不同的武器进行防御,使我方的防空火力部署效益即适应值达到最大,同时算法的运行结果误差小于1%,运行时间小于2s。对于交流伺服电机现场效率测算这类工业领域的热点问题,建立了交流伺服电机的等效电路模型,并根据模型构造了一个多目标优化问题,该问题拥有2个目标函数,5个自变量。利用多目标并行混沌优化算法求解该问题,间接求出交流伺服电机的现场效率,与实际测量的效率误差在2%以内,且该方法无需拆下电机或单独做一些实验项目来获取参数,侵入性低,操作简单。