人类模拟自然界的生命现象并将其运用于实际问题的求解，发展了近代科学技术的多门学科。遗传算法(Genetic Algorithms)是模拟自然界生物进化机制演化出来的一种智能优化算法，是进化算法（Evolutionary Algorithms）最重要的分支之一。　　作为一种鲁棒优化算法，遗传算法经过几十年的发展，在处理静态优化问题的技术日臻成熟，但是现实世界中的许多问题都是动态的，问题的解会因为目标函数、环境参数以及约束条件的变化随时变化。为此近年来，动态环境下的遗传算法已成为遗传算法发展出现的热门问题，使得动态优化问题逐渐引起人们的重视。　　根据达尔文的自然选择学说，生物个体要生存下去就必须进行生存斗争，表现为环境的适应。在斗争过程中，具有有利进化的个体容易存活下来，并且有更多的机会将其传给后代；反之则否。而自然界的生物是否能在变化的环境中逐渐趋于优良源于种群的进化能力，种群的进化能力可以通过个体的可进化性表现出来，因为个体的可进化性是群体进化的原动力，只有个体进化才能使得种群整体进化。换句话说，对种群的进化能力研究可以说是一个值得探讨的问题。　　那么，遗传算法的进化能力是怎样变化的？在动态环境下，算法的选择、交叉操作对算法的进化能力有怎样的影响？算法的进化能力怎样表现出环境的适应？针对上述问题，本文围绕着动态环境下遗传算法的进化能力展开一系列研究，从个体的微观角度上升到种群的宏观角度来探索算法在动态环境下的进化能力。　　本文首先分析了选择、变异对种群进化能力的影响，并探讨了个体可进化性，在分别基于适应度改进和基于基因改进的两个可进化性定义上提出两个简单的数学表述，同时分析了种群进化能力和个体可进化性的关系，提出了本文的改进思想，在算法中引导和重视那些可进化性强的个体,用以来提高算法的性能。　　在此基础上，本文针对了两类动态优化问题，选取合适的优化函数，分别对其两类动态优化函数提出改进算法，在算法选择的过程中提出自己的选择方法，即基于个体可进化性的排序选择，并通过实验仿真，验证了引导个体可进化性有助于算法进化能力的提高，证明改进算法的可行性。