AEA算法是一种基于Alopex的群体进化算法,它采用相关性启发信息,而且在一定程度上拥有模拟退火和梯度下降的双重特性。但是,由于AEA自身原因,使得算法对一些复杂函数难以跳出局部极值。本文针对不同问题主要从三方面对AEA算法进行了改进,形成了三种AEA的改进算法,即NAEA算法,GAEA算法以及LAEA算法。这三种算法各有特点,针对特定类型的问题有特殊的效果。NAEA算法对变量间相互独立的函数收敛速度快,而且寻优精度相对较高；GAEA算法对变量间有较强耦合关系的函数不仅收敛速度快,而且收敛精度高；LAEA算法引入的局部搜索机制,可以增大群体的多样性,从而提高算法的收敛成功率。通过18个测试函数的优化结果对比,验证了三种改进算法的有效性。在化工过程参数估计中的成功应用,也证明了改进算法解决实际问题的能力。接下来,针对小样本时神经网络发生过拟合的现象,提出了一种防止过拟合的方法。该方法在神经网络待优化目标函数中加入了与单调凹凸性专家知识有关的约束条件,将问题转换为有约束问题。并采用智能优化算法LAEA对施加惩罚后的目标函数进行优化,得出神经网络需要的权值阈值。最后通过将该方法用于正弦函数过拟合以及裂解炉丙烯收率的仿真研究中,分析论证了该方法的有效性。