人类越来越擅长学习与模拟自然界的生命现象和自然规律,并将成功获取的知识演变渗透到各学科领域。遗传算法(Genetic Algorithms, GA)就是人类借鉴生物的自然选择和自然遗传机制演变出来的一种高效、并行、全局搜索的随机搜索算法,是多学科结合与渗透的产物。标准遗传算法(Standard Genetic Algorithms, SGA)的应用最为简单,也是其他高级遗传算法的基础。自适应遗传算法(Adaptive Genetic Algorithms, AGA)是对标准遗传算法的一种改进,其收敛速度的提高是较为明显的,在遗传算法的各个应用领域中有优异的表现。但是,部分实验数据显示出自适应遗传算法还存在一些问题,主要是种群易陷入“早熟”现象和局部搜索能力较弱。近些年来随着遗传算法的不断发展,其应用领域也进一步拓展,对自适应遗传算法的性能提出了更高的要求。本文的主要研究工作就是针对自适应遗传算法存在的问题,结合应用领域对遗传算法性能提出的新要求,提出了参数参与进化的自适应调整策略。本文首先介绍了遗传算法的生物学基础、发展历程,说明了研究的背景、目的和预期结果;而后介绍了遗传算法和遗传算法的数学理论,以及自适应遗传算法和小生境遗传算法,分析了现有的一些改进算法存在的问题。本文中的新策略是利用遗传算法自身的寻优能力实现遗传算法自身参数的动态优化。新策略把参数信息融合于个体之中,并使之参与交叉和变异运算的全部过程,因此,在进化的过程中总有新的参数组合产生。新策略在选取最优参数时考虑种群多样性、算法收敛速度和个体适应度等多方面的因素,并通过种群熵的概念度量种群多样性。本文在实现种群熵的定义时,应用了一种新的分类规则,并且在这种分类规则的基础上改进交叉算子和变异算子。最后,本文通过大量的实验数据证明,新算法不仅能加快遗传收敛速度,而且能增强遗传算法的全局收敛性能,从而得到满意的全局最优解。