遗传算法是模拟生物界的进化过程而产生的一种现代优化算法,作为一种有效的随机搜索方法,在优化方法中具有独特的优越性,有着非常重要的理论意义和广泛的应用领域。传统优化方法对目标函数解析性质要求较高,遗传算法不需要目标函数的导数信息,具有隐式并行性,所以常用于一些复杂的、大规模的、非线性、不可微的求解优化问题。本论文的主要工作和创新点:(1)提出了一种基于模式替代的方法。该方法通过收集每一代中最好一个或者几个个体,将其记录下来,构成生成模式的采样空间。根据模式固定率来生成模式,由模式生成的新个体来代替种群中的差个体,以此来引导种群的搜索方向。(2)提出采用外来个体来替换种群中的中庸劣等个体的方法。该方法通过增加新的个体来取代种群中的中庸劣等个体,既保证群体的多样性,又加快演化的速度,提高了遗传算法的搜索速度和寻找最优解的能力。(3)提出了一种基于模式替代的遗传算法。该算法采用上述提出的模式替代及外来个体替换中庸劣等个体方法,并证明了该算法的收敛性和复杂性。(4)将基于模式替代的遗传算法运用到一些Benchmark函数的优化问题中,并与其它相关文献进行对比,结果表明该算法收敛快,精度高。(5)将该算法应用于0/1背包问题中。通过与贪婪算法及简单遗传算法结果比较,显示了其有效性和实用性。