近年来,人工智能在全球范围内得到了迅速发展,研究成果日新月异。计算智能作为人工智能领域一个重要的研究方向,如何利用智能计算来解决复杂而繁琐的实际问题成为提高经济发展速度和国家核心竞争力的必要条件之一。遗传算法作为计算智能领域比较成熟的算法之一,在图像检索,路径规划,人工心理等等生产生活相关领域都得到了广泛应用。遗传算法是一种具有高效随机搜索性与优化并举的智能算法。与其他传统算法不同,遗传算法模拟了生物进化过程中自然选择机制。遗传算法能够克服传统算法在解决复杂问题时所面临的种种难题,能够更好的解决人们生活中的实际问题。遗传算法主要通过编码生成初始种群,然后通过优化种群的目标函数来确定适应度函数。按照适应度函数的大小来挑选种群中的个体并进行选择,交叉,变异等遗传操作。由于标准的遗传算法存在很多的局限性,Srinivas等人在此基础之上提出了参数动态变化的自适应遗产算法,并得到了广泛的应用。本文首先通过对遗传算法基本理论的详细介绍阐明了遗传算法在优化领域中的作用。针对遗传算法的不足引出自适应遗传算法相关研究,并通过线性和非线性算子的两种分类方式对其进行详细的分析与对比,总结出自适应遗传算法交叉和变异算子通过以上两种方式构造的利与弊,并对未来遗传算子构造方法的趋势进行预测。然后给出了本文交叉和变异算子的构造方法,通过对测试函数进行实验数据的统计与分析,和其他一些经典自适应遗传算法进行了对比。最后将本文构建的自适应遗传算子应用在供暖体系中供暖管道的最优值寻优之中,便于指导供暖管道的铺设。然后对实验结果进行了研究分析。通过对数据分析表明,本文所构建的算子无论是在函数优化的测试中还是在供暖体系中供暖管道的最优值寻优之中都比其他方法有所提高。