大数据时代的到来在为科技发展带来诸多契机的同时,也让我们面临着更多的挑战。问题规模的日益扩大和问题复杂度的不断增长使得现有的算法越来越难以满足现实应用的需求。自然启发算法与生俱来的自组织性,自学习能力,以及内在的并行性使其在求解高维,高度非线性和随机问题时具有明显的优势。大数据时代,自然启发算法有着广阔的应用前景,继续探索和研究新的自然启发算法具有重要意义。创造性思维在人类社会的发展进程中起着重要作用,它有着强大的问题求解能力。本文受到创造性思维过程的启发,提出了一个创造性驱动优化模型。由于继承了创造性思维的相关特征,创造性驱动优化模型具有比传统自然启发算法更强的智能性、并行性和扩展性。基于该模型,我们做了以下的工作：1)提出了一个适用于解决连续优化问题的创造性驱动优化算法(Creativity-Oriented Optimization Algorithm, COOA)。首先,从理论上分析和证明了算法的收敛性和并行性。而后,通过CEC-2013实参数连续优化基准函数对COOA的有效性和并行性进行了验证。此外,COOA各参数的特点和作用也被进行了详细分析。2)针对离散变量的优化问题,提出了一个0/1编码的创造性驱动优化算法(Binary Creativity-Oriented Optimization Algorithm, BCOOA).首先,通过理论分析,证明了BCOOA的收敛性。之后,将其应用于认知无线网络频谱分配问题中,并与同类算法进行对比。实验结果验证了BCOOA有效性和优越性。最后,在计算集群上对BCOOA的并行性进行了测试。3)基于创造性驱动优化算法设计出一个最小距离分类器,并使用12个常用的UCI数据集来检测分类器的性能。与8个常用的分类算法的对比结果显示,基于创造性驱动优化算法构建的分类器能够有效的对选用的数据集进行分类,其整体效果优于常用的分类算法。