本论文研究的课题在湖南省自然科学基金项目“基于GP理论的多准则决策函数稳定性分析研究”(05JJ40103)和湖南省教育厅项目“网络共同进化算法及应用研究”(04C313)的资助下完成。 目前，GP(Genetic Programming，遗传程序设计，又称遗传编程)是十分活跃的研究领域，被视为解决多目标决策问题、软件复用工程、CASE等复杂问题分析设计和软件危机的强有力工具。然而，当前GP在整体上还处在初步的研究阶段。应用数学工具建立较为完善的GP理论，对其问题约束、个体表示、自定义函数、适应度函数、选择策略、遗传算子以及与此相关的算法设计、结构描述、数学建模开展深入的探索，有助于实际问题的解决。 本文研究了GP的模式定理、算法性能优化技术、个体程序树表示、自定义函数共同进化模型、快速求解适应度函数权值方法、多目标决策函数模型和稳定性分析方法以及软件复用技术，给出了GP的模式定理及其在微观和宏观概念下的定义，深入解释了模式创建的内在机制和算法的进化行为。运用Markov链分析法，验证了GP的收敛性问题，得出了在最优值保留条件下，算法可收敛到全局最优解。 采用排序生成法、最优生成法和平均生成法三种改进方法，提高了GP算法的收敛性能，加快寻优过程，避免因出现过大的群体规模而产生的负面作用。一致性交叉可以避免传统交叉算子在代码片段选择上的盲目性，能有针对性地创建环境相似的程序树。编辑算子在“基因内区”概率保留的前提下，对冗余代码进行简化，可以在合理的计算时间内获得易于理解的结果。 利用对线性表示的个体进行位置信息编码的思想，提出了一种新的基于树的线性后缀形式的GP个体程序树表示方法，实现了多种形式的遗传操作，并给出形式化定义，设计并实现了一个基于栈的GP算法。 论文提出了一种GP自定义函数共同进化的模型和方法，该模型和方法在解决大规模复杂问题时，如学习分类任务，性能比传统的不带ADFs的GP和带有ADFs的GP方法更好。 论文提出了一种快速、准确的求解GP适应度函数权值的新方法，通过对GP适应度函数调整参数的选择，快速精确地计算树的权值，