Add to ORKG本文根据生物系统中普遍存在的共生进化、层次化涌现、种群动态迁移等现象，利用基于个体模型（Individual Based Modle, IBM）建模方法，抽象出基于层次协同演化模式的统一计算框架及模型，并利用其改进传统的人工蜂群算法，打破传统优化算法的局限性，最后将新模型及算法应用于实际复杂问题求解，以验证其有效性。本文的主要研究工作概括如下： （1）借鉴复杂适应系统层次结构和生态群落共生进化思想，提出了基于层次协同演化模式的多种群进化模型（Hierarchical Co-evolution Model, HCOM）。HCOM模型从协同进化过程的本质出发，定义了个体-种群-群落层次，描述了协同进化共性机制，其模型框架涵盖了生物群落进化过程中的种群演化模式，以及个体层、种群层、群落层的基本操作与进化策略. (2) 在三层HCOM框架基础上，提出一种基于群落层次演化的混合多巢人工蜂群优化算法（Hybrid-Multi-Hive Artificial Bee Colony, HABC）。针对大规模复杂问题，HABC算法采用基于分治（Divide-And-Conquer）策略的维度分解方法，将复杂高维优化问题分解为相对简单的子问题，由并行的子群体进行协同进化。采用交叉操作与精英策略增强种群间信息交流，以保证群体多样性。采用随机分组策略解决在没有先验知识条件下的强耦合变量分解问题。 (3) 引入外部档案和拥挤策略处理多目标非支配解，将单目标HABC算法扩展为多目标混合蜂群优化算法(MOHABC)。MOHABC算法将协同进化机制和非支配解记忆存储机制思想相结合，使之具有较好的搜索能力和较强的收敛性。同时采用外部档案用来保存获得的帕累托(Pareto)解集，计算拥挤距离以淘汰外部档案中的冗...