针对原油调度过程中资源规模大、约束复杂、多时间尺度决策难以协同的问题，提出了一种多时间尺度协同进化算法（MTCEA）被提议。首先，根据炼油企业的规模结构和实际需求，建立了大规模多时间尺度原油调度优化模型，该模型由面向资源的中长期调度模型和面向运营的短期调度模型组成，实现了合理的配置通过采用原油资源的动态分组策略来满足不同调度规模、多时间尺度特性和精细生产的要求。其次，为了促进不同时间尺度下调度决策的集成，设计了一种基于多时间尺度协作的进化算法，通过对不同时间尺度调度模型中的连续决策变量构造子问题来实现调度之间的协作优化不同时间尺度的决策。最后，在三个实际工业案例中对MTCEA进行了验证。比较了三种具有代表性的大规模进化优化算法（竞争群优化算法（CSO）、基于改进多轨迹搜索的自适应差分进化算法（SaDE-MMTS）和基于混合模型的进化策略（MMES）)以及三个高性能混合整数非线性规划（MINLP）数学求解器（ANTIGONE（非线性方程的连续/整数全局优化算法）、SCIP（求解约束整数程序）和SHOT（支持超平面优化工具包）)结果表明，MTCEA的解的最优性和稳定性指标分别提高了30%和25%以上。这些显著的性能改进证明了MTCEA在大规模多时间尺度原油调度决策中的实际应用价值和优势。

大尺度重叠问题在实际工程应用中普遍存在，由于共享变量的存在，优化挑战被大大放大。基于分解的协同进化（CC）算法在解决大规模重叠问题方面表现出了良好的性能。然而，某些为重叠问题设计的新CC框架依赖分组方法来识别重叠问题结构，而当前用于大规模重叠问题的分组方法未能同时考虑准确性和效率。为了解决上述问题，提出了一种用于大规模重叠问题的两阶段差分分组（TSDG）方法，该方法在显著降低计算资源消耗的同时实现了精确的分组。第一阶段，采用基于有限差分原理的分组方法，有效识别所有子成分和共享变量。为了提高分组的稳定性和准确性，第二阶段提出了一种分组细化方法，用于检查前一阶段获得的子成分和共享变量的信息，并纠正不准确的分组结果。基于这两个阶段的协同作用，TSDG实现了大规模重叠问题的高效准确分解。大量实验结果表明，TSDG能够准确地对大规模重叠问题进行分组，同时消耗更少的计算资源。在优化实验中，与用于大规模重叠问题的最新算法相比，TSDG显示出优越的性能。