经典的遗传算法解决的是确定性变量的寻优问题,对于不确定性变量(如模糊变量)的寻优仍没有较深入的研究。针对高校资源的优化配置问题,发现确定性的优化配置结果,由于有各种不确定因素的影响,实际应用配置很难实现。如何通过定义与设计模糊遗传算法,解决模糊变量寻优问题,通过模糊个体定义,模糊选择、交叉、变异算子运算,以模糊不确定性度量表示模糊最优解与模糊适值函数关系,拓展一类模糊变量最优问题的应用,不仅是当今研究的热点问题,也是本文的研究重点。针对经典遗传算法不能解决模糊寻优问题的情况,本文在已有的研究基础上,提出了适用于解决模糊寻优问题的模糊遗传算法。针对经典遗传算法中的五大遗传要素,本文对其重新定义如下:首先在个体模糊编码上,将模糊变量隶属于各个模糊子集的隶属度作为基因,使得输入模糊化;然后,通过模糊神经网络求得投入额、投入额变化率与绩效之间的模糊非线性关系,用于设计模糊适值函数,并且在交叉、变异算子中引入隶属度函数来作为是否进行该遗传操作的判定条件,通过这两步使得过程模糊化;最后,通过输出模糊最优个体以及其对应的模糊适值来使得输出模糊化。现有的“模糊遗传”研究,主要集中在两方面:1)在经典遗传中引入一些模糊控制规则,使得交叉、变异概率自适应地变化;2)仅有个体的模糊化,其他环节均与经典遗传无异.针对这些问题,本文依照经典遗传的五大要素,对模糊个体编码、模糊适值函数设计、模糊遗传操作及模糊输出都进行较深入的研究,提出了较全面的模糊遗传算法,并给出了模糊遗传的模式定理论述。论文应用项目组提供的数据与资料,对高校资源优化配置进行了预测与控制:预测是通过不同配置来预测绩效,主要是应用神经网络实现;而控制则是在给定绩效目标(如绩效需达到优秀)下,寻求最优配置,并把得到的最优配置作为参照的控制标准。在应用模糊遗传算法得到模型结果后,论文也与经典遗传算法的结果进行分析比较,以此论证模糊遗传算法的有效性。本文以Mat lab语言设计编程实现模糊遗传算法,在高校资产配置中,对配置方案进行了统计检验,得到了满意的结果。