进化算法是模拟生物界进化过程产生的一种现代优化方法，作为一种有效的随机搜索方法，在优化方法中具有独特的优越性，在实际应用中有着广泛的应用领域。传统的优化方法对目标函数的解析性要求较高，而进化算法不需要函数的导数信息，具有隐含并行性，所以常用于一些复杂的、大规模的、非线性的、不可微的优化问题。而一般的实际优化问题都可以转化为一些具体的数学描述，因此要解决实际优化问题，应当先解决函数的优化问题。本文研究了基于进化算法的函数优化问题，主要内容如下： 1．简要地回顾了进化算法的理论及其研究背景。总结了单目标优化方法及多目标优化的传统解决方法和基于进化算法的解决方法。 2．总结了现代优化方法的种类并分析了进化算法对求解函数优化问题的优越性。重点介绍了怎样用进化规划求解单目标优化问题，并提出了两种改进的单目标函数优化算法。一种是对用进化规划算法处理局部搜索和全局搜索问题进行了改进；另一种是混合进化规划算法，把免疫进化中的克隆扩增算子与自适应变异步长的进化规划相结合，提高了算法的收敛速度及搜索精度。通过对经典算例的仿真实验验证了改进后算法的有效性。 3．分析了多目标进化算法中的相关策略，并列举了几种典型多目标进化算法的处理策略，为后面对多目标优化算法的改进奠定了基础。 4．提出了三种改进的多目标优化算法。第一种是增加搜索能力的多目标进化算法，改进了解在决策变量空间内进行全局搜索，收敛到真正的Pareto最优集的算法；第二种是在基于自适应变异步长进化策略求解多目标优化问题中选择一定比例的非劣解进入下一代繁殖，改变了某些个体的适应度值，保持了解在Pareto前沿的多样性；第三种是基于拥挤度和分散度的多样性处理方法，其中引入了拥挤度和分散度的概念，更好地维持了Pareto前沿的多样性。通过仿真实验验证了这些算法的有效性。