进化计算(Evolutionary Computation)是模拟自然界生态系统中“优胜劣汰”的一类优化算法的总称，也称为演化计算。一般认为包括遗传算法，遗传编程，进化策略等。目前这类算法已被广泛应用于机器学习，人工智能，自适应控制，人工神经网络训练，图像处理等各个方面。针对一类协同进化算法给出其二进制编码有限群体模型。协同进化算法借鉴自然界中的协同进化(Coevolution)机制，通常表现为一个算法中使用多个种群协同进化，实际应用效果显著，但是其理论基础更为薄弱。Vose针对一般GAs曾给出了基于二进制编码的有限群体模型，在此基础上本文构建了适用于一类协同进化算法的二进制有限群体模型，可以进行相关算法的渐进收敛性状的分析及算法加速策略的研究。其次对当前常见的进化算法实验平台进行简要分析，介绍一个高效架构---OpenBeagle，分析其种群结构(Population)，进化器(Evolver)，内部系统(Internal System)，以及整个架构图，最后讨论了如何基于这个架构构建自己的EC算法。利用OpenBeagle可以构建各种GAs，GP，ES，MOEA，Co-GA.并且在同一平台上可以方便有效地比较各种EC算法的性能。本文的算法测试实验基于此架构实现。本文给出了一种新型的“基于最优解定位的遗传算法”。给出其抽象描述，并且从理论上分析这个算法在满足若干条件的情况下收敛。针对单目标函数优化问题，给出了若干测试函数的实验结果，结果显示这一个方法可有效解决常见GAs“或者易陷入局部最优，或者收敛速度慢”这一两难困境，可以将计算资源集中到最优解所在的区域，其寻优效率非常高，如果辅以局域搜索算法可以获得高精度的解。针对多目标优化问题，本文也给出了初步的数值仿真结果，当OSO策略作为多目标优化的辅助策略时可以提高效率，部分改善最优种群在Pareto前沿的分布。