遗传算法是一种传统的择优性算法，它的设计思想是根据优胜劣汰的自然选择方法，保留优良的染色体遗传下去，去除劣质的染色体，保证每次遗传都能使种群中最好的因子得以延续，在遗传算法中还有一定的概率发生变异，这种变异操作是为了保证解空间的多样性，并且尽量避免解空间反复搜索局部最优解空间，从而产生局部最优解的现象。而单纯的使用遗传算法并不能实现最高效率的最优解搜索过程，其算法本身也有很多缺点，遗传算法的缺点主要有：早熟，即算法过早收敛；算法复杂度较高，即遗传算法本身需要大量的计算过程才能得到优化结果；稳定性较差，即算法是通过随机性进行遗传优化的，所以算法本身计算量较大，得到最优结果的稳定性较差。遗传算法本身这些缺点决定需要使用其他算法对遗传算法进行有效优化，形成新的混合型算法进行使用，例如使用退火算法形成模拟遗传退火算法，使用蚁族算法形成蚁族遗传算法，使用BP神经网络进行优化形成二次神经网络遗传算法，这些优化后的混合遗传算法既有遗传算法求解最优解集的能力，并且在某些特定方面增强了遗传算法的性能。协同项目是指对于一种特定的项目需求，使用多参与者共同承担项目执行的特殊项目，随着网络技术的发展以及项目的复杂化发展，协同项目计划制定被越来越多的进行需求使用，而协同项目计划本身又有着很多问题需要解决，例如：资源分配，任务分配，资源追踪，误差分析，结果分析等，这些问题都属于非结构化问题，不能用确定性算法进行解决，只能使用优化算法对最优结果集进行寻优操作，所以可以考虑优化后的混合遗传算法对协同项目计划制定过程中的非结构化问题进行求解，从而完成协同项目计划制定工作。利用混合遗传算法解决协同项目中的非结构化问题，开发一个基于混和遗传算法的决策支持系统，使用J2EE结构进行开发，在开发过程中使用Struts框架进行辅助开发。本文介绍了整个决策系统的需求分析，概要设计，详细设计。介绍混合遗传算法如何在决策系统中进行实现，如何将问题模型保存在决策系统中，如何对决策结果进行评价，最后对整个系统进行软件测试，测试整个系统的功能和性能是否达到了用户的要求。