近年来,以优化为基础的各类问题,如机器人路径规划、生产作业计划和资源调度、离散事件动态系统监控等,求解的环境往往非常复杂,不确定的环境因素、训练样本的错误、人为因素等都可导致问题处在噪声影响下。因而传统的优化方法求得的全局最优解一旦付诸实施,而当实际情况偏离假设时,则不但不能保持最优,甚至会导致优化品质的严重下降。本文对受噪声干扰下的遗传算法进行了研究,做了以下几个方面的工作:(1)从遗传算法的基本知识入手,引入噪声变量,模拟噪声干扰环境下的遗传算法研究。由于噪声干扰会导致寻优偏移的问题,本文使用平均有效目标函数的方法来进行降噪处理,尽量使噪声对算法寻优的影响降到最低。(2)对噪声干扰决策变量的问题进行了研究。使用重采样取得平均有效目标函数的方法降低噪声的干扰。介绍了遗传算法鲁棒性的相关概念,引入方差作为遗传算法的鲁棒约束条件。在约束条件下进行鲁棒寻优,在此方法上得到的解稳定性更好,抗干扰性更强。(3)对噪声干扰适应度函数评价问题进行了研究。使用了重采样取得平均有效目标函数的方法降低噪声的干扰。在此基础上还提出了一种改进的遗传算法用于噪声环境下降低噪声对适应度评价的影响。利用全局区域收敛率和全局收敛精度作为评价噪声干扰适应度函数评价下遗传算法性能的新指标。实验结果表明改进的遗传算法能够改善寻优结果。