本文研究的合作型协同进化算法可以把规模很大且复杂的优化问题分解成许多规模较小且简单的子问题，各子问题分别进行优化，再从整体上加以协调。这样的一种机制，减少了问题的搜索空间，具有优化解质量的进化能力。不足之处是子种群中“超级个体”(即这个个体的适应度比其他的个体好的多)的出现，将使子种群内个体趋于同化，丧失了多样性，这样就十分容易出现不成熟收敛，使得进化的收敛速度较慢。 在分析和研究合作型协同进化算法的基础上，提出一种灾变合作型协同进化遗传算法(CooperativeCoevolutionaryGeneticAlgorithmwithCatastrophe，CCGA-C)。这种新型的算法把遗传算法(GeneticAlgorithm，GA)引入到子种群的进化中，子种群之间再进行协作，达到优化复杂问题的目的。在子种群的进化中，为了保持子种群个体的多样性，防止不成熟收敛，增加了灾变算子。当子种群中的个体趋于同化时，通过增大变异率来增加种群的多样性，同时，将子种群中的最优个体保存，保证了算法的隐含并行性，加快了进化的收敛速度。用经典函数优化仿真实验对灾变合作型协同进化遗传算法(CCGA-C)的搜索性能、收敛速度方面进行了分析和研究，并与合作型协同进化遗传算法(CCGA)和遗传算法(GA)进行了对比。还对灾变算子中灾变因子的选择、子种群合作方式的选择进行了实验分析。为了进一步分析和研究CCGA-C算法求解复杂问题的能力，将该算法应用于制造系统的车间生产调度问题(JobShopSchedulingProblem，简称JSP)。JSP是计算机集成制造领域(ComputerIntegratedManufactureSystem，CIMS)中研究的重要课题，也是一个典型的NP难问题。因之具有较大的实际应用意义而被各国研究者广泛研究。通过对经典车间生产调度问题的大量仿真实验，证实这种CCGA-C算法比遗传算法在求解性能上有很大的提高。