分布估计算法(Estimation of distribution algorithms)是进化计算领域新兴的一类启发式随机优化算法。分布估计算法摒弃了遗传算法中的交叉、变异操作，而是通过建立解空间的概率模型来寻优。这是概率模型和统计学习相结合的新算法，通过统计方式建立描述解空间分布的概率模型，然后随机采样生成下一代个体，如此循环，实现群体的进化。因EDAs算法原理简单，且容易编程实现，已被广泛应用于优化领域。目前，分布估计算法的研究主要是算法的改进和应用两方面。本文的研究内容主要有三部分。　　第一，提出一种基于优势群体熵的自适应分布估计算法(E-EDA)。算法给出了优势群体熵的概念，通过自适应变邻域的混沌操作实现了优势群体的更新;同时，变异操作使种群中个体呈现多样性，避免了快速陷入局部最优的情况。通过与EDA，dEDA算法在9个基准测试函数上的比较，说明E-EDA算法有更好的寻优结果。　　第二，提出一种基于变量分类的协同分布估计算法(VC-CEDA)。算法给出了一种新的混合机制—将传统的EDA算法与协同优化操作结合，使改进的算法具有两者的优点。此外，引入的变量分类方法(VC method)给种群的划分提供了一种新思路。通过与EDA算法在100维、500维问题中的实验对比，表明针对高维优化问题时，VC-CEDA算法更加有效。　　第三，将改进的算法分别在0-1背包优化问题和TSP问题中进行应用，通过实验对比说明E-EDA、VC-CEDA算法均有优于传统EDA算法的性能。在低维问题中，E-EDA算法更有效，因为基于优势群体熵的自适应变异操作保持了种群的多样性，避免了算法快速陷入局部最优。在高维问题中，VC-CEDA算法更有效，VC-CEDA中的双层分类结构充分考虑了相关变量之间的关系，以此建立的概率模型能更全面地描述解空间的分布情况，保证了算法的有效性。