基于群体搜索的遗传算法是在Darwin的进化论和Mendel的遗传学说的基础上产生和发展起来的一类全局优化概率搜索算法。近30年来已被广泛应用于计算机科学、工程技术、管理科学和社会科学等许多领域,成为21世纪智能计算的核心技术之一。在基本遗传算法中,由于交叉概率(Pc)和变异概率(Pm)取为恒定值,因此用于复杂的多变量优化问题时效率不高,并且存在“早熟”的可能性。基于上述原因,自适应遗传算法应用而生。在自适应遗传算法中,交叉概率(Pc)和变异概率(Pm)基于个体的适应度值而自适应地改变。从而使算法在保持群体多样性的同时,也保证了算法的收敛能力。在实际应用中,由于问题本身的复杂性,目标函数经常会出现高维、多峰、多变量以及非连续情况,此时在综合考虑“快速收敛”和“全局最优”的条件下,应用基本遗传算法或自适应遗传算法,都未必能取得理想效果。为此,在分析和研究自适应遗传算法特点的基础上,依据混合优化策略及混合遗传算法的构造原则,将混沌优化搜索技术引入到自适应遗传算法中,提出了一种结合混沌搜索的自适应遗传算法。该算法保持了自适应遗传算法的所有特点,进一步改善了其全局寻优能力并有效克服局部收敛现象,提高了算法的收敛速度和计算精度。测试函数仿真结果表明,该算法的性能优于自适应遗传算法。