全局优化问题广泛存在于现实生活之中，有很强的实用性，主要用于研究某些用数学模型来表述的问题，并求出其最优解，即对于给出的某些实际问题，在众多解决方案中搜索选出最优的解决方案。遗传算法在全局优化问题上一直都有非常经典的应用，而Simon教授新提出的BBO算法在全局优化问题上也表现出了较好的性能。　　 遗传算法是模拟自然界生物进化过程与机制求解优化问题的一类自组织、自适应的随机搜索算法。它借鉴达尔文“优胜劣汰、适者生存”的自然进化理论和孟德尔的遗传变异理论，将问题的求解表示成“染色体”的适者生存过程，通过对“染色体”群一代代的不断进化，包括选择、交叉和变异等操作，从而使群体最终搜索到“最适应环境”的个体，即求得问题的最优解或满意解。遗传算法是一种非常通用的优化算法，其编码技术和遗传操作比较简单，对优化问题的限制性条件要求很低，具有很强的并行性和全局搜索能力。它能解决很多的实际问题，目前已经在机器学习、模式识别、图像处理、优化控制、组合优化和管理决策等领域得到了很好的应用。　　 BBO算法(Biogeography-based optimization，简称BBO[7])是Simon教授受生物地理学启发而研究出的一种全新的全局优化算法。生物地理学是对生物有机体的地理分布状态的研究，生物地理学的数学模型则描述了物种的迁徙，物种的形成和物种的灭绝。正如生物遗传学的数学方法激发了遗传算法(GA)的发展，生物神经元的数学方法激发了人工神经网络的发展，最初用数学方程管理生物有机体的分布状态是在20世纪60年代，这激发了生物地理学对于优化问题的应用。而Simon教授以生物地理学的数学方法为基础，首次提出并发展了这个新的领域：基于生物地理学的优化，并且Simon教授也通过标准函数测试和实例的研究验证了BBO算法在优化问题上良好的性能。　　 本课题的研究目的是将GA算法与BBO算法两者相结合提出新的算法模型以此来改进原始的BBO算法，希望在全局优化问题上能求得更优的解决方案。本实验中是在BBO算法的基础上，在BBO算法的搜索过程中加入了GA算法的交叉运算过程，从而使得新算法GA/BBO能搜索到更优的解决方案。　　 通过对14组标准函数的测试实验表明，将GA算法用于改进BBO算法是有效的、可行的，改进后的GA/BBO算法与GA算法相比，明显优于GA算法；与BBO算法相比，在精度与性能上也是有所提高。而且GA/BBO算法的运算时间也是较快的。