遗传算法是近年来在计算机科学和优化中受到广泛关注的一种模拟生物进化理论的仿生学算法。与常规的优化算法相比，遗传算法具有隐含并行性和全局收敛性两大显著特征，并且具有常规优化方法所没有的优点，如不需要梯度计算等。然而，遗传算法毕竟是一门较新的学科，无论是在理论上，还是在实现上都有许多不完善的地方。因此，不断地对遗传算法加以研究和改进，使其更加适用于工程实际，以便更好地、更充分地发挥遗传算法的性能和特点是非常必要的。 本文对遗传算法及其在机械优化设计应用中的相关内容进行了研究，介绍了遗传算法的基本结构、主要特点及应用于机械优化设计时具有一般意义的算法设计方案和算子设计方法。 在实际应用中，基本遗传算法存在着收敛速度慢，稳定性差和早熟等问题。为克服这些缺陷，本文在对遗传算法的基本要点进行介绍的基础上，对选择、交叉和变异等算子操作过程进行了改进。以典型的遗传算法测试函数验证改进遗传算法的有效性与可行性。 本文提出了基于惩罚和修复策略的约束处理方法，解决了单一使用惩罚方法时所遇到的难以解决的问题，方便了遗传算法在约束优化问题中的应用，提高了遗传算法在工程优化问题中的适用性。 本文运用FORTRAN语言编制了机械优化设计程序，对曲柄摇杆机构进行了优化设计，并将改进的遗传算法得到的优化结果同基本遗传算法的优化结果进行了对比分析，算例分析表明该程序用于机械优化设计是可行的和高效的，改进的遗传算法比基本遗传算法有更好的收敛特性，迭代次数减少，优化设计结果也好于基本遗传算法。