随着自然科学的不断发展和现代科技的不断进步,最优化问题的理论研究中涌现出许多高维、大规模、优化难度高的优化问题,如高维、多目标、多模态函数优化问题、旅行商问题(Traveling Salesman Problem, TSP)、0-1背包问题(Knapsack Problem)、装箱问题(Bin Packing Problem)、调度问题(Scheduling Problem)、图像平滑问题(Image Smoothing)、布林可满足性问题(Boolean Satisfiability Problem; SAT)等。与此同时,在实际应用中的各个领域也相继涌现出许多大规模、优化难度高的最优化问题,如最优设计、最优分配、最优调度、大规模集成电路布线问题等。此时运用传统的优化方法对以上优化问题进行求解很难获得满意的结果,甚至无法对这些问题进行求解。因此,高效、性能好的优化算法已经成为学者、专家们的研究热点。遗传算法(Genetic Algorithm, GA)是20世纪70年代初由美国Michigan大学Holland教授提出的一种借鉴生物体自然选择和遗传机制的随机搜索算法,由于遗传算法较以往传统的搜索算法具有使用方便、鲁棒性强、便于并行处理等特点,因而广泛应用于函数优化、生产调度问题、组合优化、结构设计、图像处理、自动控制、人工智能等领域。传统遗传算法在优化高维、复杂函数问题时,存在易陷入局部最优点、过早“早熟”、演化效率低等缺点。经过分析,传统遗传算法易陷入局部最优点的原因之一是遗传算子对个体的一次操作的结果是对解空间中一个特定点作用,而对该点邻域的采样密度影响不大。本文以实现对解空间某一邻域进行一定密度的采样为目标,采用粒编码,使传统遗传算法中“点到点’的搜索变为“粒到粒”的粗粒度搜索过程,压缩了编码长度,使算法具有更高的演化效率。本文的主要工作为：(1)设计了一种以二进制数为编码、云为采样机制的粒编码方式。同时设计了粒编码方式下个体的表现形式以及个体的评价方法。(2)设计了粒信息保存策略和En非线性减小策略。粒信息保存策略为算法的设计和顺利执行奠定了基础；En非线性减小策略保证了算法在演化前期具有高的空间覆盖度做全局搜索,演化中期从全局搜索向精确搜索过渡,演化后期做精确搜索,进一步提高算法的收敛精度。(3)针对数值优化问题,基于粒编码方式,设计了遗传算子和粒编码遗传算法。测试了GCGA的全局搜索能力和算法参数对GCGA性能的影响。高维和低维复杂函数的数值优化实验表明,GCGA能够跳出局部最优点,搜索到全局最优点,且具高的收敛精度；与其他优秀、经典的进化算法的优化结果进行对比,表明GCGA是一种优秀的改进的进化算法,粒编码方式是一种优秀、高效的编码方式。(4)GCGA在PID参数优化的应用。实验结果表明,GCGA用于优化PID参数,能使整个PID控制系统具有较小的超调量和调整时间,符合实际工程应用的需求,说明GCGA在实际工程应用方面具有广阔的应用前景。