AEA算法(Alopex-based Evolutionary Algorithm)是一种结合了Alopex算法的相关性启发方式和进化算法的群智能特点的新型优化算法。本文在AEA算法的基础之上,利用克隆选择算法(Clonal Selection Algorithm)改进AEA算法的种群生成方式,提出了一种混合优化算法AEA-C算法,并将其应用于解决优化难度较大的约束优化问题。AEA算法的寻优过程主要依赖于进化种群内部个体间的Alopex操作,所以算法的性能直接依赖于种群质量。本文提出了利用克隆选择思想对每代种群中较为优秀的个体进行深度发掘,加强算法的搜索能力。通过克隆、突变等操作,增加了进化种群的多样性,其中克隆变异量的大小借鉴了AEA算法中移动步长,起到从加强全局搜索到加强局部搜索的作用。经过22个标准函数的测试,结果表明AEA-C算法在收敛稳定性、解的质量方面均优于PSO算法、DE算法、AEA算法。将AEA-C算法应用到了发酵动力学模型的参数估计中,并与报导文献的结果相比较,AEA-C算法所得结果精度更高,拟合值与实验数据的误差更小针对约束优化问题,本文在AEA-C算法基础之上设计了一种新的自适应罚函数(Adaptive Penalty Function),简称AEAC-APF算法。AEAC-APF算法主要利用进化种群个体的反馈信息自适应地调节惩罚系数,同时设置一个调节项可根据种群中不可行解的比例动态调节惩罚量的大小,增强算法对可行区域边缘的搜索以及发掘不可行解携带的有效信息。通过11个标准约束函数的测试,结果表明AEAC-APF算法性能明显优子DE+AMP、SSaDE、DUVDE+VAPM等算法。最后将AEAC-APF算法应用于丁烯烷化过程的约束优化问题,试验结果表明新算法具有良好的适用性以及全局优化性能。