在理论研究和应用实践中,许多问题最终都归结为最优化问题.当今国内外有许多学者对最优化问题进行了研究,提出了遗传算法、模拟退火算法、单纯形法、粒子群优化算法和蚁群优化算法等行之有效的现代优化算法.在大多数的研究中都是针对静态优化问题的—目标函数不会随着时间的改变而改变.但是非静态优化问题即目标函数会随着时间的改变而发生变化的问题也很常见.如:非静态作业车间调度问题.在真实的工件加工过程中通常会出现待加工的工件连续不断的到来、机床设备突然损坏或被修复、新类型的工件要求被加工等情况.在这种环境下求最优加工顺序使得最大流程时间最小.遗传算法是学习借鉴自然界的演化规律来进行算法设计.其基本原则是优胜劣汰这一自然选择法则.与传统的优化方法比较,它具有普适性、鲁棒性、隐含并行性和自组织等智能特性,不需要知道更多的额外信息如梯度和导数的情况,并且通常能获得更好的结果.因此遗传算法对于解决非静态优化问题有一定的优势.该文主要介绍遗传算法的优化方法及其实现,探讨和验证遗传算法在非静态优化领域的应用.介绍了4大类针对非静态函数优化的遗传算法及其主要思想.对非静态优化问题的几个关键问题逐一分析,提出了一种新的非静态遗传算法GAL.该算法设计了一种新的遗传算子—学习算子使遗传算法能够快速地适应环境的改变,从而快速地得到优解.用类周期性环境变化、非周期性环境变化和非静态带约束函数优化3类问题的测试用例对GAL进行了试验测试,并与其它两种典型的非静态遗传算法-Modified GA和DMGA进行了比较.实验表明,GAL可以较好地解决非静态优化中的数值优化问题.同时还测试了GAL中两个参数的不同取值对算法的影响,给出了较优的参数值.另外还提出了最优适应度的概念以评估函数优化算法的效率.