进化策略是一种模拟自然界进化规律以解决参数优化问题的典型的进化算法,作为一种新型的优化技术,弥补了传统优化技术的不足。在科学研究、生产实践中许多复杂的计算问题都可以转化为函数优化问题,进化策略在解决这类问题时表现出了比传统的优化算法更好的性能,成为研究热点。　　 进化策略由于自身固有的缺陷,存在着收敛速度较慢、容易早熟的问题。本文从种群划分和变异策略两个方面对进化策略进行改进,提出了一种基于双种群的改进进化策略(MES)算法。将种群划分为规模较小的精英子群和规模较大的普通子群。精英子群用于存放种群中最优秀的个体,普通子群用于存放种群中的普通个体。对不同的子群采用不同的变异策略,精英子群采用递减的高斯变异算子,普通子群采用柯西变异算子,实现种群在解空间具有较好的全局搜索能力的同时在局部具有尽可能精细的局部搜索能力。通过对算法进行理论分析说明其正确性。对典型的测试函数应用该算法进行模拟进化实验,说明对于中低维函数(30维以下),MES算法具有良好的性能,对于高维复杂问题,MES算法性能不佳。　　 针对MES算法在处理高维复杂问题时存在易陷入局部极值点和收敛能力欠佳的不足,本文借鉴协同进化的思想,在MES算法的基础上,提出了一种基于合作型协同进化的改进进化策略(MESCC)算法,适用于求解高维可分解问题。该算法将目标问题分解为一系列相关的子问题,将所有个体划分为一系列团队,每个团队负责处理一个子问题。不同的团队之间采用协作操作。团队的进化和团队间的合作是交替进行的,直到进化得到目标问题的最优解。通过典型的高维测试函数进行模拟进化实验,表明求解高维可分解问题时MESCC算法具有良好的性能。　　 最后,本文将MES算法应用到K-meam聚类算法当中。提出一种基于改进进化策略(MES算法)的K-means聚类(KAMES)算法,利用了MES算法良好的全局搜索能力和K-meam聚类算法良好的局部搜索能力,提高收敛速度,达到较好的聚类效果。最后通过鸢尾花卉数据集对该算法的性能进行测试,说明该算法具有良好的聚类件能。