工程及数值计算中的很多优化问题,由最初的低维、无约束或少约束、线性最优问题,如今已经发展为高维、多约束或复杂约束、非线性的大规模复杂优化问题。面对这种最新的、急需解决的优化问题,常规数值优化方法很难求出结果。实数遗传算法在求解复杂优化问题时,具有诸多优点：对目标函数和约束条件没有连续可微的限制、适用于求解复杂的非线性问题、简单通用及并行处理数据、求解精度优于标准遗传算法。然而传统遗传算法容易产生搜索效率低下、种群过早收敛等问题。针对实数遗传算法的这些缺点,本文进行了改进研究,提出了改进的实数遗传算法,具体成果如下：(1)对实数遗传算法的传统进化策略进行了改进。传统实数遗传算法的进化策略没有保留交叉操作后的优秀个体,而这些优秀个体很可能会在变异过程中被破坏。对传统进化策略进行了改进研究,取消了交叉概率,使交叉操作可以产生更多的子代个体；并且保留父代种群和交叉操作后种群两个种群中的优秀个体,这样操作可以保留交叉操作后种群中的优秀个体。改进进化策略的实数遗传算法在收敛过程中更加有效地寻找到优秀个体,较好地避免了局部最优解的出现。测试结果表明,改进的进化策略具有较快的运算速度和较少的迭代次数。(2)改进了实数遗传算法初始种群的产生方法。产生初始种群的关键在于初始内点的产生,传统的做法是先给定一个点,若该点满足变量的约束条件,则在该点的基础上产生初始种群的其它个体或点：若该点不满足约束条件,则随机生成另一点,检验该点是否满足约束条件。由此可见,传统方法能否成功生成初始内点具有很大的随机性。如果优化问题的约束条件众多,人们便很难给定初始内点,随机生成初始内点则需要很长时间,效率低下。本文针对该问题进行了研究,提出了一种新的初始内点产生方法。测试表明,在处理大规模约束类优化问题时,相比传统初始种群的产生方法,新方法能够非常快地生成初始内点,并在初始内点的基础上产生初始种群。(3)本文对实数遗传算法交叉操作过程中子代个体的产生方法做了进一步研究,提出当交叉操作产生的子代个体满足约束条件且优于父代个体时,将该子代个体进一步向优秀方向移动,直至该移动后的子代个体不满足约束条件或不优于父代个体。(4)将改进的实数遗传算法应用于车辆转向梯形机构参数的优化设计中,获得了较好的效果。