遗传算法是一类借鉴生物界自然选择和遗传机制的自适应全局优化随机搜索算法，由于遗传算法具有直接对结构对象进行操作，不存在函数可微性和连续性的限定，具有全局性，鲁棒性和隐并行性等优越性，使得遗传算法在各个领域得到了广泛的应用。 本文简要介绍了遗传算法和遗传算法当中的GENOCOP算法，并通过实例指出若遗传算法的初始种群有偏的分散在局部可行域空间可能会对算法造成收敛速度慢和不能收敛到全局最优解的影响。 初始种群若能比较均匀的遍布在整个可行域，GENOCOP算法能较好的避免以上缺点。本文针对解决具有线性约束优化问题的遗传算法中的GENOCOP算法，提出了两种设计初始种群的方法： 1.均匀初始化—在盒子约束的可行域选择均匀分散可行点做初始种群。将遗传算法的初始种群确定的问题对应于实验设计中的多因素多水平的均匀设计，从而用较少的试验次数，找到在整个可行域中比较均匀分布的初始种群。对均匀设计初始点给出了算法，并通过MATLAB实现，得出的结果和随机法产生的结果对比，可明显看出均匀设计的优越性。 2.边界初始化—选择边界点做初始种群由于大多数时候优化问题的最优解在可行域的边界上产生，选取边界点做初始种群，使得解的搜索变得很有效率。这里给出两种边界初始化的方法： i.采用全部顶点做初始种群。 ii.求解出容量约为2n(n为等式约束的个数)的初始解集合做初始种群。 最后，给出了GENOCOP算法和改进的GENOCOP算法的收敛性证明，并通过一组具体的例子对改进的GENOCOP算法作了测试，数值实验表明改进后的GENOCOP算法是可行有效的。