全局优化是科学研究和工程应用中的一个普遍而重要的问题。实际问题的复杂性使一般的基于梯度的优化方法无法保证全局最优性，一些问题甚至过于复杂根本无法获取除函数值之外的更多信息。在这一领域，新兴的智能优化方法(如模拟退火、遗传算法等)获得了相当的成功。其中，遗传算法以其独特的简单、高效、通用的特点在近年来一直备受瞩目。因此，在继承遗传算法优良特性的同时对算法本身进行性能改进具有很强的实际意义。 上世纪九十年代中期提出的NFL定理指出，不同的优化算法对所有优化问题的平均性能都是相等的，使算法的性能改进面临了巨大挑战。本文通过对NFL定理提出的观点进行分析认为，遗传算法作为一种灵活的优化算法在不违背NFL的前提下仍然可以从三个方面进行进行有效改进：①针对不同问题选用适合问题的不同具有不同特性的算子，即对算子特性进行研究；②遗传算法自身自适应研究，使算法本身更加智能化；③进行遗传算法新模型的研究，在种群进化基础上开拓新的算法的研究，使算法本身更加灵活； 本文研究了遗传算法中常用的三种交叉算子——单点交叉、双点交叉和均匀交叉。提出了子代生成空间分布的描述方式，从子代分布的海明空间分布对三种算子的不同特性进行了分析比较，得出了针对不同问题和算法模型的算子选择的指导原则，针对不同问题选取具有不同特性的交叉算子能够有效改进算法性能。本文重点研究了遗传算法中的自适应问题，自适应是遗传算法本身具有的区别于其它优化算法的重要特性，自适应研究对于遗传算法的改进具有特殊的意义。本文提出了遗传算法自适应研究方法。通过对算法的三种控制参数进行分析，提出了变异率和种群数的自适应方法，通过数值实验证明两种方法的采用较好的平衡了算法的搜索与寻优能力，对算法性能有明显的改进。 本文研究了实数编码遗传算法的改进问题，总结了实数交叉算子发展历程，通过引入估值分布算法(EDA)思想从算法模型上对实数遗传算法的改进进行了尝试，提出了单变量相关的实数EDA算法RUMDA，数值实验结果表明新算法性能相对于一般的实数遗传算法有明显改进，值得进一步研究。 遗传算法研究的最终目的是为了更好的解决实际问题。本文提出了两种遗传算法的应用实例，首次将实数遗传算法分别应用到车牌定位问题和雷达降水关系式参数优化问题。其中，使用遗传算法定位车牌的方法能够有效克服多种光照条件不同对车牌图像的不利影响，大大提高了定位准确率；而在雷达降水参数优化问题中，基于遗传算法的通用性提出的新的误差函数能够有效改善总降水量误差，提高了参数优化的效果。