遗传算法( Genntic A lgorithm )是由美国密歇根大学的Ho lland教授根据生物进化理论提出的一种基于种群搜索的优化算法.由于遗传算法简单,高效,且不受具体问题的限制,在函数优化、图像处理、系统辨识、自动控制、经济预测和工程优化领域都得到了广泛的应用。近年来,对遗传算法的研究主要集中在了执行策略和遗传算子的设计方面,在理论研究上主要针对遗传算法收敛速度慢、欺骗问题、局部搜索能力差、最优解精度低等问题。针对简单遗传算法易陷入早熟,局部搜索能力较差,全局优化速度缓慢等问题,提出了一种改进的遗传算法,该算法融合了由进化代数或适应度分布调节变异交叉率的思想,从这两个方面共同改进了变异交叉率,仿真结果证明了该改进遗传算法的优越性.与简单标准遗传算法比较,该算法不仅收敛性较好,且能迅速找到全局最优解.在科技高速发展的今天,大量的科学研究和工程实践都属于多目标优化问题,怎样处理复杂的多目标优化问题是我们研究的又一热点。在处理多目标优化问题的众多方法中,多目标遗传算法发挥了重要的作用。本文的另一项研究工作就是把单目标遗传算法的改进策略引入了多目标遗传算法中。带精英选择策略的非支配排序法(NSGA-Ⅱ)是多目标遗传算法中的经典算法,文章以NSGA-Ⅱ为研究对象,应用单目标中的改进策略来改进NSGA-Ⅱ搜索性能,通过大量仿真实例证明,本文提出的改进策略在多目标遗传算法中依然行之有效。最后,本文对算法的不足之处做了总结,提出了另外的改进途径,并展望了遗传算法的发展前景。