遗传算法是一种借鉴生物界自然选择和自然遗传机制的高度并行、随机、自适应搜索方法，作为优化方法具有明显的优势。它在搜索优化问题的全局最优解上具有良好的优势条件。遗传算法以编码形式工作，只使用目标函数信息，用概率传递规则代替确定性规则，具有运算并行性，关心每次进化群体中个体的质量，即问题解的质量。所以，被广泛应用于许多领域，成为求解全局优化问题的有力工具之一。尽管遗传算法存在诸多优越的特点，但作为一种优化方法它仍存在着自身的局限性，特别是存在着早熟、收敛速度缓慢和局部搜索能力不足的现象，这都影响了遗产算法的性能。为了克服遗传算法的不足，提高GA效率和收敛速度，本文提出了一种改进交叉算子来改进GA来求解函数最优化的问题的收敛速度的新的改进型遗传算法一优化混合策略的遗传算法(Optimizational Mixed Strategies Genetic Algorithm，以下简称OMSGA)。本文中提出了两种新的交叉算子-单亲单对单子交叉和单亲双对单子交叉，这两种交叉算子的特点是在子代群体生成过程中只有一个母体生成一个子体，通过对母体随机执行交叉算子产生出具有不同形状的新个体。单亲交叉算子既可保证新一代个体具有成为可行解的基本特性，提高个体的多样性，又可提高对解空间的搜索能力。单亲交叉算子能使任何一个母体通过有限次的遗传交叉生成另一个新个体。 该算法通过混合概率的增强策略和减弱策略，实现自动地调整每代种群的交叉策略的混合概率。在进化的初始，算法为每代种群设置相同的纯交叉策略选择的概率，这种各个纯交叉策略的概率随种群的进化而不断发生变化，即增强和减弱策略，这使得种群在每代进化时都要选择具有较大概率的交叉策略，使得种群在每一代中选择混合概率较高的交叉策略的可能性提高，这种具有较高混合概率的交叉策略就是能生成较好个体的交叉策略，而这种较大概率的交叉策略能够在前几代进化过程中产生较好的子代种群，从而使算法提高收敛速度。更重要的意义是提出新的改进策略，能够使GA高效的处理优化问题，使GA的应用更加深入。算法在MATLAB上编程，并采用6个经典函数进行测试，通过比较本文算法和纯交叉策略遗传算法、正点交叉策略遗传算法，得出该算法在收敛速度上是优于纯交叉策略的遗传算法和多点正交交叉遗传算法(Multi-point Orthogonal Crossover Operation Genetic Algorithm，这里简称为MPOCGA)的。即该算法能够提高遗传算法的收敛性，有效的改善了遗传算法在求解最优化问题的收敛性能。