遗传算法(GA)是一种全局搜索算法,可作为一种高效的模拟自然的随机优化工具,不需要了解研究对象的内部机理,仅仅由适应度函数驱动,且易与其它技术相结合,因此常常应用于智能控制系统中的参数、结构或环境的最优控制。但基本遗传算法存在一些缺陷,如搜索效率不高、容易出现未成熟收敛等。目前,对遗传算法进行改进或将遗传算法与其它算法相结合已经成为一个重要的发展方向,许多改进遗传算法的方法不断地被提出来。本文对基本遗传算法的基本原理与实现技术进行了系统的研究,深入分析了其存在的缺陷与不足以及算法的可能改进途径,并在此基础上提出了自己的改进策略:采用了操作性强的实数编码,同时,定义了一种新的度量种群多样性程度的指标,并将其渗透到具体的遗传操作中去,促使选择过程既能得到较优秀的个体,又可增加种群的多样性;交叉和变异算子能够根据进化过程中种群的多样性程度指导搜索算法空间以及对个体的调整力度;此外,本文还用该指标指导交叉概率和变异概率的动态变化,使得交叉概率和变异概率的变化在考虑种群的多样性程度的同时,能够根据个体适应度在种群中的相对优劣程度做出自适应调整。最后通过对典型测试函数的数值实验,并与其它方法进行对比研究,证明了本算法收敛率高、搜索速度快,是一种有效的全局寻优算法。模糊控制是智能控制的重要分支,它参考人们的经验而不依赖于被控对象的数学模型,因此被广泛地应用在具有复杂的非线性环节的控制领域中。而模糊控制规则和隶属函数的正确选择是模糊控制器设计的关键,它决定了模糊控制系统的动、静态性能和控制效果。但常规模糊控制器的设计往往是根据专家或实际操作者提供的含糊语义知识或统计数据,来确定基本的模糊控制规则和隶属函数。因此设计上存在着很强的主观性和随意性。将遗传算法用于模糊控制器参数优化的研究已很普遍,但大部分的研究或利用遗传算法优化了模糊控制器的隶属函数或控制规则一方面,人为地割断了两者之间的联系;或完成了对隶属函数和控制规则进行同时优化,但没有配以良好的编码方案以及优化遗传算子,促使控制效果并不太理想。针对以上问题,本文设计了改进的遗传算法用于模糊控制器隶属函数和控制规则的同步快速优化,并通过Matlab仿真证明了算法的有效性。最后,将优化后的模糊控制器用于典型工业对象和房间温控系统的控制,并与常规模糊控制器和普通PID控制器的控制性能作了比较和分析,证明该模糊控制器具有更好的动态性能和抗干扰性以及鲁棒性。