离散事件系统的监控器可以通过禁止可控事件来使系统满足安全性和活性规范。然而，监控器并不对允许发生的可控事件主动进行选择，所以存在同时允许多个可控事件发生的情况。但在实际应用中，如交通调度、机器人路径规划中，要求系统在每个状态下最多只允许一个可控事件的发生。针对上述问题，引入一种最优机制来量化控制成本，并提出一种离散事件系统最优监督控制算法，以确保系统的安全性和活性，并使事件执行累计的成本最小。首先，给定受控系统和行为约束的自动机模型，并基于Ramadge和Wonham的监督控制理论求解出无阻塞和行为最大许可的监控器；其次，通过定义的成本函数为监控器中每个事件的执行赋予相应成本；最后，利用动态规划思想迭代计算求解出最优定向监控器，从而实现每个状态下最多发生一个可控事件和事件执行累计的成本最小的目标。使用单向列车导轨案例和多轨道列车控制案例来验证所提算法的有效性和正确性。对于上述两个案例，所提算法求解的定向监控器到达目标状态所需的事件执行累计的成本分别为26.0和14.0，低于贪心算法的27.5和16.0，以及Q-learning算法的26.5和14.0。

为了研究新型智能优化算法的性能和应用前景，选择了近几年提出的6种仿生智能优化算法：哈里斯鹰优化（HHO）算法、平衡优化（EO）算法、海洋捕食者算法（MPA）、政治优化（PO）算法、黏液霉菌算法（SMA）和堆阵优化（HBO）算法，对其性能和在不同带约束的工程优化问题上的应用进行对比分析。首先，对6种优化算法的基本原理进行介绍；然后，用6种优化算法对10个基准测试函数进行寻优测试；接着，将6种优化算法用于求解3种带约束的工程优化问题。实验结果表明，对于单峰和多峰测试函数的寻优，PO的收敛精度最佳，能够多次达到理论最优值0，且收敛速度较快；对于求解工程约束问题，EO和MPA较好，因为的标准差的数量级较小，且寻优速度较快，稳定性高。最后，分析了6种优化算法的改进方法及其发展潜力。