动力配煤优化模型的研究及实现是本文的主要研究内容。用穷举法作为优化模型虽然能够取得最优解，但是由于穷举法的求解过程需要遍历解空间中的每一个解，随着解空间的膨胀，其低下的搜索效率便成为一个无法克服的缺陷，因此这种方法不适合解决大规模动力配煤优化问题。 遗传算法(genetic algorithms，简称GA)是一种基于遗传机理的全局优化算法，它是由美国密歇根大学的John H．Holland教授于1975年受生物进化论的启发而提出的。GA是基于“适者生存”进化规律的一种高度并行、随机和自适应的优化算法，它将问题的求解表示成“染色体”的适者生存过程，通过“染色体”群的一代代不断进化，包括复制、交叉和变异等操作，最终收敛到“最适应环境”的个体，从而求得问题的最优解或满意解。近年来，GA凭借其独特的群体搜索机理和高效的优化效率，在各个领域得到了广泛应用，取得了显著的成绩。 本文在前人研究的基础上，对简单遗传算法作了改进。首先利用GA不需要目标函数的可微性这个特点，直接采用f_j(x)作为罚函数，替代优化界传统上为保证目标函数F(x)的梯度处处存在而采用f_j~2(x)的罚函数形式，降低了优化结果中不可行解的比例，提高了解的可靠性；其次通过理论的分析，找出了简单遗传算法使用适应度比例选择法的缺陷，并运用Boltzmann选择法替代适应度比例法，进一步提高了动力配煤优化结果的准确性和稳定性；再次，针对罚函数法处理约束优化问题时，罚因子难以确定的情况，以及运算结果偶尔会出现不可行解的缺陷，本文使用了GA独有的直接比较—比例法，DCPM-GA进行动力配煤优化，保证了结果的可靠性；最后，本文采用面向对象软件设计法，在前面的研究成果的基础上，设计了配煤优化模块——动力配煤优化引擎。 全文共分四章。第一章为综述，大致介绍了动力配煤的研究现状，并对几种优化算法进行了比较，提出了本文需要研究的内容；第二章为本文的主要部分，这个部分从简单遗传算法入手，详细介绍了遗传算法在动力配煤优化问题中的应用过程，接着通过对算法结构的改造，提出了Boltzmann选择GA和DCPM-GA浙江大学硕士学位论文基于遗传算法的动力配煤优化模型的研究及其软件实现两种算法结构;第三章是在第二章的基础上，对配煤优化模块进行了软件设计;第四章总结了本文的研究成果，并对今后的研究方向进行了展望。