遗传算法（genetic algorithm简称：GA）是一种模拟自然界生物进化过程“适者生存”的高效、随机搜索算法。它以多点（群体）并行搜索，可以避免算法陷入局部最优，适用范围广、能够解决传统优化方法难以解决的优化问题。虽然，大量的研究表明标准遗传算法（Standard “GA”简称：“SGA”）在许多领域得到了成功的应用，但是局部搜索能力差和早熟是其很明显的缺点。遗传算法（Niche“GA”简称：NGA）中引入小生境技术有利于维持种群多样性，提高算法的搜索能力，理论上能够求得整个解空间的局部解。尽管现有的各类GA方法在处理约束优化问题时显示出了一定的求解能力，然而面对各种各样的不同问题如何合理的处理约束条件对GA来说仍是较难处理的问题。综上，基于大概率获得实际中各种复杂优化问题全局解或尽可能多的局部解甚至全部局部解，本文围绕“GA”进行了如下研究： 一、SGA自身改进。首先研究了遗传算法的第一步操作编码，选择目前最为常用的十进制、二进制、格雷三种编码方式进行了若干数值GA实验，得出了一些对实际应用有指导意义的结论。其次针对标准遗传算法早熟和局部搜索能力差的缺点，设计了改进的交叉算子和引入较优个体周围局部搜索策略来提高算法的搜索性能。 二、NGA研究。针对目前应用最广泛、最有效的基于共享机制的NGA的不足，对此方法中最关键的小生境参数确定和共享策略的设计两个操作从几方面进行了改进：利用初始个体适应度值的变化规律和引入随机方向法分别确定小生境参数，小生境内构造了共享法和百分位法共享策略，以维持种群多样性，营造各小生境同时进化的氛围。根据小生境进化的特殊性，构造了一种基于欧氏距离下的(1+1)竞争小生境遗传算法。 三、利用改进遗传算法求解约束优化问题的方法研究。针对约束优化问题中紧约束问题和可行域相对整个解空间所占比例较小的两种传统方法不易处理的问题分别提出了违约解修正法和改进的违约解转化法。通过对选取的数个典型机械优化实例和典型测试函数的成功求解证明了本文系列研究和改进工作的有效性，也说明了遗传算法在工程优化中求解多峰、复杂约束非线性问题的潜力。