飞行器气动布局优化是通过对其几何外形进行调整以获得更好气动性能的优化设计方法，这是一类非常重要的非线性优化问题。传统的基于求解梯度的优化算法在处理此类问题时往往只能得到局部最优解，遗传算法作为一种新颖的仿生优化算法，与传统的确定性优化方法相比，除了具有较好的鲁棒性和天然的并行性之外，在处理复杂的非线性优化问题时往往还表现出良好的全局性优点。因此，把遗传算法引入气动布局优化设计吸引了众多研究者的目光，然而，飞行器气动布局优化涉及的参数众多，流场参数求解过程计算量大耗时长，标准遗传算法在这类问题时往往面临着收敛速度慢、效率低下甚至停滞的问题。为了提高遗传算法的效率，本文着重对标准遗传算法进行了研究和改进，建立了适用于气动优化的遗传优化模块，并应用在翼型、机翼的气动布局优化设计之中。本文主要完成了以下几个方面的工作：1.对基于二进制编码的标准遗传算法进行改进，结合气动布局优化的特点，采用实数编码方案（Real-Coded），借鉴已有文献成功的改进，引入种群优选技术、无回放余数随机选择算子（RSSR）和基于共享半径的小生境技术（Niche），并着重改进了对遗传算法效率影响较大的交叉算子和变异算子，设计一种带有进化方向的交叉算子和根据个体之间距离和进化代数而自适应调整变异的变异算子。2.遗传算法需要设置的参数众多，且参数的设置对遗传算法的性能影响较大。为减少使用遗传算法的难度，在本文中对影响算法性能较大的交叉概率、变异概率、小生境半径、最大进化代等参数进行了研究，并对一般的问题给出了一个基于高概率交叉变异的遗传算法参数。数值优化结果表明对不同的问题均有较好的优化效果。3.在上述改进的遗传算法基础上，结合非支配排序方法，建立了适用于处理多目标优化设计问题的高效多目标遗传算法（NSGA-2）。4.采用Bezier-Bernstein方法对翼型和机翼进行参数化建模，并深入研究了Bezier-Bernstein基函数对设计变量的数目和取值范围的影响，并在此基础上给出了适合于遗传算法的表达方式。5.基于遗传算法的天然并行性优点，在Fortran95语言的基础上，结合网格变形模块和流场求解器模块，在LINUX服务器上搭建了基于PBS系统的并行遗传算法和并行多目标遗传算法（NSGA-2）数值优化程序。数值试验结果表明，改进的遗传算法的收敛速度有了较大的提高，能够进行较为复杂的气动外形优化，优化算法模块和网格变形及流场解算器模块之间运行良好，初步具备一定的工程应用能力。