遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的计算模型,是一种全局优化算法,被广泛地应用于求解工程优化问题。遗传算法有两个缺点,一个缺点是局部搜索能力弱,另一个缺点是容易出现早熟。为了克服这两个缺点,针对函数优化问题,本文做了如下四个方面的研究工作：1.针对遗传算法局部搜索能力差的缺点,本文将黄金分割法和适应值共享嵌入遗传算法,提出了基于爬山算子和适应值共享的改进遗传算法。黄金分割法增强了遗传算法的局部搜索能力。本文对若干经典的函数优化问题进行数值实验,试验结果表明了该算法在求解精度和收敛速度上优于FSGA和HX-NUM。2.针对目标函数不存在导数的函数优化问题,本文提出了最速方向法,该算法不仅克服了第一类传统的优化算法必须求导的缺点,而且能求解到高精度的局部最优解。本文将最速方向法嵌入基于适应值共享的遗传算法,提出了基于最速方向法的改进遗传算法。数值试验结果表明了该算法在求解精度上优于StGA、FEP、HSOGA和LEA。3.针对遗传算法容易出现早熟的缺点,有些学者提出了双种群的策略来维持种群多样性。本文对基于自适应多样性控制的双种群遗传算法进行改进,提出了基于辅助种群分类的遗传算法。改进的算法利用先验知识将辅助种群分为若干类,维持了辅助种群多样性。数值试验结果表明了该算法优于FSGA和DPGA。4.在一些双种群遗传算法中,半径参数变化过快,使辅助种群不受控制。针对该缺陷,本文用余弦函数来刻画半径参数的变化,提出了基于半径参数周期性缓慢变化的双种群遗传算法。改进的算法既维持了种群多样性,又增强了局部搜索能力。首次提出个体与主种群的距离的概念,将个体与主种群的最大距离作为半径参数最大取值。仿真实验结果表明了算法的有效性。