遗传算法是生物进化的思想和计算机科学相互结合渗透而成的一种新的软计算方法，是一种自组织、自适应、自优化的综合策略。近年来，该算法的理论和应用研究取得了不同程度的成功和进展，使其广泛应用于计算机科学、自动控制、组合优化、图象及信号处理、人工生命、管理科学和社会科学等许多领域。这一方面反映了其适应于自然科学与社会科学发展需要，另一方面自然科学与社会科学发展也对该算法提出了更高的要求。本文在应用遗传算法处理实际工程的过程中，面对实际出现的问题对遗传算法进行了比较深入系统的研究探讨，探索提出了一种多元共生思想方法来指导改进。在分析基本算法的基础上，指出了提高算法性能的关键所在，进而对算法进行了多层次多元化的改进并提出了相应的新算子、新算法和新策略。全文依照简单、协同和多元共生三个递进层次对遗传算法进行了深入的研究和改进，并最终将其成果与神经网络等智能方法相结合，应用于藻类智能识别与预测的工程项目之中。主要工作特色和成果包括以下几个方面：1．通过对基本遗传算法进化机理分析和比较应用，揭示了存在的问题，指出了存在的主要缺陷及其产生的原因，提炼出影响遗传算法性能的六个主要因素、三个动态平衡关系，这些核心问题对遗传算法性能改进具有重要探索意义，为遗传算法的改进方向、研究重点提供了可供参考的思路。2．按照简单适用的主导思想，从提高影响遗传算法性能的第一核心要素——个体的多样性出发，对基本遗传算法展开研究，提出了几种改进遗传算子。其中，提出的α~0可变交叉算子从基因错位切入，从根本上解决了进化后期常出现的停滞不前的问题：混合交叉算子侧重于适应进化全过程中不同的阶段对多样性的不同交叉要求；指出了环境对变异的不可忽视作用，并融入动量原理，提出了一次变异多个产出的概念，由此设计了冲突复合自适应变异算子。3．为了解决多目标优化问题，从提高影响遗传算法性能的第二要素——解空间处处可达性、且兼顾多样性的角度出发，研究了协同遗传算法。一方面采用基于确定性排挤机制的小生境方法取代常规选择方法，发挥其有方向地淘汰劣势群体的优势，控制选择压力，保持全局搜索能力：另一方面，提出并构造了自适应一维势箱交叉算子、共生平衡交叉算子和暂态自适应算子等新的算子。这些算子改变了小修小补方法，以全新的形式出现，均具有优先交配能力、随机强度调节和自适应强度调节能力，从而保证了在小范围内的精确求解和全局的最优值获取。4．为了解决复杂对象的优化问题，研究了全方位提高遗传算法性能的方法——。多元共生遗传算法。首先提出了一种新的小生境算法，也就是降维差异选择方法，该算法比已有的小生境方法CF排挤机制完整，比共享机制简单，因此实现更容易，而且可靠；然后探索提出了伦理遗传结构形式和多元共生遗传结构形式，为遗传算法结构改进研究做了新的尝试。该两种形式及其相应的改进算法旨在从多元、整体优化的角度对遗传算法展开研究，通过各个分算子和多个种群的多元冲突、融合、协作和互补等方式有机地结合，促使遗传算法各个步骤本身的优化，并形成整体上更加优化的算法。此外，在设计方法上，多元共生算法具有独到之处。它是一种具有可塑性的变结构方法，可以根据应用对象的不同，组成复杂度不同的整体结构，其灵活性提高了算法应用的便利程度和适应性。5．研究了遗传算法和神经网络结合的建模问题，提出了一种神经网络分级优化方法，设计了基于改进新算子的串并联遗传优化步骤：将提出的几种改进遗传算法成功地应用于神经网络的结构和参数混合优化之中：为了解决藻类神经网络识别过程中输入数据极其缺乏的问题，研究了海洋赤潮和湖泊蓝绿藻的显微图像预处理方法，提出了一种针对藻类的快速去噪算法，为神经网络识别提供了必要的输入数据来源：通过数值实例检验比较和藻类应用实验比较，初选出适用于藻类识别和预测的三种较优的改进遗传神经网络算法。6．对所提出的改进遗传算法和改进遗传神经网络(GANN)进行了整体检验，结合工程上的具体要求，针对典型藻类建模和生长状态预测，测试了改进遗传算法及其遗传神经网络的性能：将选定的GANN用于优势藻类的识别，获得了十余种藻的数量和数量增长时空特性，填补了部分优势藻生长特性资料的空白；进一步将选定的GANN用于藻类爆发性生长的预测实验，取得了满意效果。