最初,标准遗传算法(Standard Genetic Algorithm简称SGA)广泛应用于静态优化问题中,取得了很好的求解效果,但现实生活中很多问题往往是非静态的。我们所处的环境也会时间的变化而变化,典型的例子有城市交通的控制问题、资本投资的优化组合问题等等,这类问题中的最优解在不同时刻之间发生着变化,当前时刻的最优解在下一时刻就不一定是最优解,为了搜索到最优解,这就要求优化算法不仅仅能快速有效地寻找到最优解,更为重要的是要求算法能适应动态的环境,更有效地追踪到一系列最优解的动态轨迹。因此,将遗传算法应用到动态环境中,研究算法有效地适应环境,跟踪动态变化的最优解的能力,具有一定的学术意义和现实指导性。自然进化过程中,个体的分布具有空间结构性,局部区域内的个体之间存在一定程度的相互作用,它们之间可能因为局部环境内资源的匮乏、环境的恶化等因素,发生激烈生存竞争、相互影响的现象。同时,在动态环境中,进化中的局部个体会偶尔经历突然发生的自然灾害(如地震、水灾、瘟疫等),灾害能在一定范围内影响物种的进化,导致物种的灭绝或者物种的优化。为了能更逼真地模拟动态的自然界,基于元胞自动机的空间结构性,结合遗传算法,通过引入灾难的方式,研究灾难的发生对变化环境中种群进化的影响。本文基于动态环境研究遗传算法优化问题,主要包括以下几个方面的工作:1)研究了基于元胞自动机的遗传算法——元胞遗传算法(CGA)在动态函数优化问题上的性能表现。选用移动峰测试函数,呈现了CGA对变化环境中最优解的追踪性能,较SGA算法性能更优越,并针对不同演化规则的CGA进行了算法性能方面的实验仿真。2)种群只有在保持一定的多样性的基础上才能进化,保持种群多样性,是避免算法出现过早收敛,陷入局部最优的有效措施之一。本文研究动态环境下,基于种群多样性的角度出发,提出一种改进算法,通过引入灾难的方式,设计了一种动态环境下基于种群多样性引入灾难的元胞遗传算法——DDCGA,并对算法的性能同CGA、SGA进行了分析比较。在实验仿真中,改进算法得出了较好的结果。