随着当今世界逐渐从信息化转型为数据化，模式识别和数据挖掘等领域面临越来越大的挑战.爆炸式增大的数据量使得特征选择过程成为大数据模式识别等领域必不可少的环节.受动物界资源争夺行为启发，在由特征选择模型转变为资源分配问题模型中加入个体的资源争夺行为，提出多群体公平算法(multi-colony fairness algorithm, MCFA)对该行为进行评判和处理，用以取得更优的分配方案(即更优特征子集)，其有机融合随机搜索和启发式搜索，且将filter方法和wrapper方法相结合，降低计算量的同时获得更高的分类准确率.对提出的多群体公平算法进行了分析，从理论上证明了算法的收敛性和有效性；UCI机器学习数据库数据集与4种经典特征选择算法:顺序前向搜索算法(sequential forward selection, SFS)、顺序后向搜索算法(sequential backward selection, SBS)、顺序前向浮动搜索算法(sequential floating forward selection, SFFS)、顺序后向浮动搜索算法(sequential floating backward selection, SBFS)和3种主流特征选择算法：相关性-冗余度特征选择算法(relevance-redundancy feature selection, RRFS)、最大相关最小冗余算法(minimal-redundancy-maximal-relevance, mRMR)、ReliefF算法的对比实验表明，提出的多群体公平算法能够有效选择规模和性能都比较好的特征子集.

将深度与演化算法结合，提出一种深度演化算法，即群竞争合作优化（GCCO）算法。首先引入生物群模型来模拟群体搜索猎物的自然现象，算法通过多步迭代可简单实现优化问题求解。在生物群模型中，跟随者采用变步长的区域复制方式，平衡了收敛速度与优化精度，随机者采用基于特征变换的随机游走模式，避免陷入局部最优。其次引入竞争模型和合作模型增加算法复杂性，通过群体间的竞争和信息共享，提高算法的搜索性能。算法的数学模型是从群论、动力学以及帝国竞争理论推导出来的，在理论上也分析验证了算法的收敛性。最后在十个优化基准函数上与其他三种优化算法对比测试算法的性能。在解决上海市设立燃气站点提高到场及时率的实际问题中，GCCO算法也取得了比其他算法更好的效果。

Social spider optimization (SSO) is a swarm algorithm designed for solving complex optimization problems. It is an effective approach for searching a global optimum by simulating the cooperative behavior of social-spiders. However, SSO takes too much computation time and shows premature convergence on some problems. In order to accelerate the computation speed and further enhance the search ability, a parallel SSO (PSSO) algorithm with emotional learning is proposed in this paper. First, we develop a parallel structure for the female and male individuals to update their positions, and each individual can be computed in parallel during the search process. Second, an emotional learning mechanism is used to increase swarm diversity which is helpful to improve the search performance. Furthermore, the convergence property and computational complexity of PSSO are discussed in detail. To test the effectiveness of the proposed algorithm, it is applied to solve data clustering problem. The experimental results demonstrate that the overall performance of PSSO is superior to six other clustering algorithms on several standard data sets. In the aspect of search performance, the results obtained by PSSO are better than the comparison algorithms in most used data sets. In the aspect of time performance, the computation time of PSSO is greatly reduced in the parallel computing environment. It is comparable with K-means which is the fastest among the comparison algorithms when the number of processors larger than and equals to 16.

旅行商问题（ＴｒａｖｅｌｉｎｇＳａｌｅｓｍａｎＰｒｏｂｌｅｍ，ＴＳＰ）是ＮＰ完全问题中最为著名的问题，它易于陈述而难于求解，至今尚未找到准确有效的求解大规模ＴＳＰ问题的方法．文中提出了能求出ＴＳＰ有效近似最优解的新的蚊子追踪（ＭｏｓｑｕｉｔｏＨｏｓｔＳｅｅｋｉｎｇ，ＭＨＳ）算法，证明了蚊子的目标追踪行为和ＭＨＳ数学模型的一致性、蚊子追踪算法的收敛性，并通过理论证明确定了ＭＨＳ算法中各参数的选择范围．蚊子追踪算法是一个全新的仿生算法．文中以ＴＳＰ问题为载体，详细提出了蚊子追踪算法的动机、生物学模型、数学模型、算法、理论基础（数学证明）及大量实验结果．从理论和实验两方面证明了蚊子追踪算法能够求出ＴＳＰ问题理论上的优化解

五行学说蕴含信息动力学,然而在网络中却一直未被很好地利用,为此提出一种基于五行原理的五行粒子模型方法来求解多Agent系统的分布式问题。五行粒子模型可以很好地描述和处理多Agent系统中Agent之间存在的随机、并发、多类型的交互行为。基于五行粒子模型内部存在的生克关系,以及五行自身蕴含的稳定性和平衡性,对五行粒子模型和多Agent系统分布式问题求解进行探讨,并对多Agent系统中的各个Agent进行行为建模,进而提出多Agent系统分布式问题求解的五行粒子模型算法。最后,通过实验验证了该算法的有效性。