遗传算法(Genetic Algorithm, GA)是进化算法中产生最早、影响最大、应用也比较广泛的一个分支算法。它采用达尔文进化论的适者生存、优胜劣汰的进化思想。作为一种全局搜索方法,它具有简单性、鲁棒性和通用性等特点。自算法提出以来,在工程设计、机器学习、模式识别、图像处理等方面得到了广泛的应用。尽管如此,遗传算法在理论和应用方法上还有很多亟待完善之处,如早熟收敛、收敛速度慢等问题。针对传统遗传算法存在的早熟收敛和收敛速度慢的问题,本文提出了相应的改进方法,其研究内容主要包括以下三个方面:(1)提出了一种多策略选择遗传算法,同时将强化学习算法与多策略选择遗传算法融合。该算法通过使用不同的选择策略提高了种群的多样性,有效地避免了遗传算法的早熟收敛问题,并运用强化学习算法动态地优化种群多样性,使其保持在合适的范围,一定程度上增强了算法的自适应能力。实验证明,该算法在收敛速度和搜索效率上都表现出了较好的性能。(2)借鉴精英策略和协同进化思想,提出了一种双精英协同进化遗传算法,并从理论上证明了算法的收敛性。通过对函数进行测试,实验结果表明,该算法能搜索到几乎所有函数的最优解,同时能有效地保持种群的多样性。与已有算法比较表明,该算法在收敛速度和搜索全局最优解上都有了明显的改进和提高。(3)为进一步完善双精英协同进化遗传算法的自我进化机制,增强算法的可靠性和自适应性,将强化学习算法应用到双精英协同进化遗传算法中。实验结果表明,强化学习中的Q-learning算法与遗传算法结合能较好地克服遗传算法自身的随机性,为遗传算法与其它强化学习算法的结合做了铺垫。