本文以MAMDANI型模糊系统的优化问题为研究对象，将遗传算法和模糊系统融合于一体，构建出遗传模糊系统。以该系统为基础依据FRBS系统的优化方法，着重分析了模糊系统的遗传优化机制，分别研究了模糊系统规则集的遗传优化和数据集的遗传优化，并对匹兹堡优化方法和密歇根优化方法进行了尝试性的结合。　　 对于规则集的优化，本文提出了基于模糊遗传算法的模糊规则自动生成及优化算法。该算法解决了遗传算法优化自动生成的模糊规则时，可能存在局部解以及规则种群的收敛速率过慢等问题。它利用规则种群的收敛速率和多样性来自适应调整遗传算法的交叉率和变异率，进而实现遗传模糊系统的控制规则的自动生成。结合控制系统的性能指标，设定遗传算法的适应度函数。最后通过仿真试验，验证了算法的可行性和有效性。FGA算法实质上是一种自适应的遗传算法。该算法能够依据规则集中各个规则间不同的分布来自适应调节遗传算法的交叉率和变异率，以快速生成最优规则集。　　 对数据集的优化，本文提出了针对隶属函数的遗传偏移调节算法。该算法解决了依据专家经验得出模糊规则集时，普通数据集难以使模糊控制系统获得良好的性能的问题。它利用遗传算法，结合遗传偏移调节算法以获取最佳隶属函数。最后通过仿真试验，验证了算法的可行性和有效性。该算法实质上是对遗传算法在模糊系统应用中的编码方式的改进，它以二元模式来对隶属函数进行实属编码，从而减小搜索空间，便于快速优化数据集。　　 最后在对匹兹堡优化方法和密歇根优化方法深入研究的基础上，并结合前面的优化算法，建立一个全新的模糊遗传优化网络模型。它综合了整体优化与局部优化相结合的方法。其全局性的优化体现于在模糊系统确立之前它先调整隶属度函数的参数，局部性的优化体现于在模糊系统运算的每一个节拍，他将运算结果作为一个归一化补偿值反馈给参与运算的规则。这样它将数据集的调整和规则集的学习融合为一体。其中参数调整部分采用二元表示法，并将规则的学习算法简化为一个比例因子，该因子的大小取决于模糊系统输出的归一化值。该模型最大的特点是对匹兹堡优化方法和密歇根优化方法进行了有效的结合，具体体现在对规则的归一化处理上。通过C语言建立该网络的模型并进行仿真试验，验证了算法的可行性和有效性。