周期序列的线性复杂度及其稳定性是序列密码评价的重要度量指标。k-错线性复杂度是线性复杂度稳定性的一个重要的评价指标。然而对于非特殊周期（2ⁿ、pⁿ、2pⁿ等）的序列的k-错线性复杂度,目前没有有效的算法求解。我们不仅需要知道一个序列改变了若干位之后,它的线性复杂度下降到了多少,还需要知道是哪些位的改变使得序列的线性复杂度发生下降。即我们不仅要求序列的k-错线性复杂度,还要求达到该k-错线性复杂度的错误序列e。目前,对于周期序列的错误序列的研究,2ⁿ-周期和pⁿ-周期序列的错误序列已有明确算法^[5,35]。本文尝试使用混合遗传算法进行实验来计算任意周期序列的k-错线性复杂度,对混合遗传算法得到的结果进行分析,并在此基础上进行更深入的研究工作。并且对于2pⁿ-周期序列的错误序列算法做了详细研究,主要内容如下:（1）基于遗传算法设计了计算任意周期序列的k-错线性复杂度的算法。首先采用不同的参数组合进行重复实验,选择出其中实验效果最好的一个参数组合。然后使用选择出的参数组合在k值较小时,计算不同周期和k值的序列的k-错线性复杂度,并和精确算法的计算速度进行对比。实验结果表明,在k值较小时,本文设计的算法能够迅速计算出序列的近似k-错线性复杂度,其误差率普遍在8%以下,所用时间远低于精确算法。（2）在GF（q）上计算2pⁿ-周期序列的k-错线性复杂度以及对应错误序列e的算法。首先分析了2pⁿ-周期序列的错误序列的存在性及可行性并给出证明,然后设计了一个trace函数追踪代价向量计算出错误序列。实验结果表明,算法得到的错误序列e使得（s+e）的线性复杂度等于序列s的k-错线性复杂度。（3）在GF（2）上计算2pⁿ-周期序列的错误序列及其最小错误数k的算法。首先证明存在一个错误序列e,使得（s+e）的线性复杂度等于LC_k（s）;然后在定理中证明我们可以通过追踪最小的代价向量来计算出错误序列e;并通过设计trace函数追踪代价向量计算出错误序列及其最小错误数k。