智能优化为许多传统方法难以求解的问题提供了有效的求解思路，论文结合软计算方法进行了智能优化方面的应用研究工作，内容包括： 1．对一类难以使用传统方法求解的时间资源调度问题，提出了启发式方法和遗传算法相结合的求解算法，该算法易于实现，计算量较小，尤其对大规模问题实例的求解提供了一种有效的方法。 2．提出了基于遗传算法优化的判别函数分类方法，解决了传统方法较难确定的判别函数形式和参数选取问题，为分类问题提供了一种简化而有效的方法。 3．对0-1整数规划问题的求解提出了一种动态适应值遗传算法，其中较好处理了搜索空间和搜索效率之间的折衷，具有构造实现简单、所需参数少的特点，并通过问题实例优化对比测试了相关参数对算法性能的影响。 4．从简化神经网络结构以及训练算法的角度，进行了基于函数连接的神经网络控制仿真研究，该网络和MLP-BP网络相比具有较小的计算量，并通过对比研究了相关参数的影响。 5．在分析RBF网络逼近能力以及和模糊逻辑联系基础上，综合模糊推理和局部逼近网络学习快速的优点，提出了一种模糊RBF网络的快速实现方法，文中给出的函数逼近和控制仿真结果表明了方法的有效性。 6．提出了一种基于竞争学习的有监督分类方法，和一些传统方法相比需要先验知识较少，算法参数容易确定，该方法还较好解决了初始条件对竞争学习算法的影响，对比表明可使竞争学习算法以较快速度实现正确分类结果。 论文进行了一些有创新的应用研究，这些工作对丰富和扩展应用智能优化方法更好解决实际问题具有积极的意义。