遗传算法是借鉴生物的自然选择和遗传进化机制的一种全局优化随机搜索算法，它提供了一种求解复杂系统优化问题的通用框架，不依赖于问题的具体领域，对各类问题具有很强的鲁棒性，所以被应用于很多学科。本文介绍的一种改进的注入式遗传算法，不仅具备了遗传算法全局搜索能力强的优点，还具备了范例库的存储记忆能力。 在实际应用中，许多不同的问题之间存在一定的相互联系和共性特点，遗传算法优化某个问题所得到的结果、经验和知识对于优化类似问题具有借鉴和指导意义。基于使用知识共享使遗传算法迅速达到全局最优的目的，本文改进并论述了一种新的注入式遗传算法：每间隔一定的进化代数，从范例库中选取与当前群体最优个体相似的个体注入当前群体中，在提高群体素质的同时保持群体的多样性。如何构建高效的知识库和如何对相似性问题进行有效判别仍然是注入式遗传算法中有待探讨的地方。本文提出了一种相似性问题的判别方法来对注入式遗传算法进行改进。 相似性问题的判别准则是运用注入式遗传算法求解问题的关键，相似性问题的判断也就是本文重点研究的问题。文中采用了模糊数学中的模糊聚类与模糊识别方法作为个体相似性判别准则。首先对一系列问题用模糊聚类法进行分类，再采用模糊识别法对此类进行识别，找出相似个体。引用模糊数学的方法解决相似性问题的判别，对注入式遗传算法而言是一种新的尝试，也是本文的难点与创新点。 文中选用经典的组合优化问题——TSP问题进行测试，采用三种不同的遗传算法即基本遗传算法、小生境遗传算法和注入式遗传算法对其进行求解，在没有统一的标准的情况下，通过大量的实验最终确定各个合理的参数值，并通过对比实验数据结果验证了注入式遗传算法的有效性及优越性。 文中改进的注入式遗传算法，通过将范例库中的相应的个体动态和周期地移民到进化过程中，使得遗传算法在解决类似问题时可以继承已有的知识，从而提高遗传算法收敛速度，增强遗传算法的记忆性。