遗传算法和神经网络优化是新发展起来的仿生优化算法，它们分别借鉴了生物的遗传进化机制和人脑的信息处理机制。本文提出了与试验设计相结合的遗传算法，分别用于求解组合优化、多目标优化和非线性优化问题。另外，对于一种用神经网络求解组合优化问题的Hybrid LT方法进行了改进，并对其进行了收敛性分析。 首先本文介绍了遗传算法的基本框架，前人的理论成果，神经网络优化和本文的研究工作，并对全文各章节做了总体安排；然后简要介绍了正交设计与均匀设计，并给出了这些试验设计方法与原有遗传算子结合的基本思路，它是后面提出的新算法中构造遗传算子的理论基础；接着提出了求解优化问题的新的遗传算法，主要包括求解组合优化问题、多目标优化问题和非线性优化问题的遗传算法。此外，提出了两个概念：非劣解集的方差和熵，可定量描述不同算法所得非劣解集的质量；在解非线性优化问题的遗传算法中，为保证算法的有效性和种群的多样性，提出了一种新的选择方法，对于新算法的收敛性也做了讨论。对Hybrid LT算法进行了改进，并讨论了原算法没有讨论的收敛性问题，得到了算法收敛的充分和必要条件。最后对各算法进行了数值实验，结果表明了各算法的有效性。