基因调控网络（Gene Regulatory Networks,GRNs）在理解细胞系统结构,研究生物动力学,揭示复杂的调控关系以及探索致病机制方面发挥着重要作用。因此,基因调控网络重建已成为生物信息学领域的核心问题。近些年来,随着基因测序,DNA微阵列,蛋白质组学等高通量技术的发展,已经积累了大量的基因表达数据。基因调控网络重建的模型及方法也得到了广泛研究。本论文主要基于进化算法,针对模糊认知图及循环神经网络模型建模基因调控网络,从优化模型的学习方法角度,设计更高效的重建算法,主要工作总结如下:（1）提出了一种基于模糊认知图的随机森林与多智能体遗传算法融合的基因调控网络重建算法(MAGARF_FCM-GRN)。该算法设计了一个基于随机森林的算子以获取基因间的重要性排序,从而根据基因排序优化多智能体网格中解的搜索空间。同时,改进了多智能体遗传算法的邻域竞争、变异、以及自学习三个算子,以加速算法收敛。实验结果表明,MAGARF_FCM-GRN相比现有基准算法,能够高效、准确的重建基因调控网络。（2）提出了一种基于循环神经网络的两步式Memetic算法与LASSO结合的基因调控网络重建算法(MALASSO_RNN-GRN)。首先,在Memetic算法中设计了一种局部搜索算子,以提高算法效率。其次,利用Memetic算法学习出循环神经网络部分参数,将问题转化成线性的网络重建问题。然后,引入LASSO算子学习网络结构。最后,实验对算法的三个参数的影响进行了详细的讨论分析,并与现有算法做了比较。实验结果表明,在基于循环神经网络重建基因调控网络的算法中,MALASSO_RNN-GRN能够较好的解决大规模基因调控网络的重建问题。（3）提出了一种稀疏与分解的粒子群基因调控网络重建算法(SDPSO_FCM-GRN),该算法基于模糊认知图建模基因调控网络。首先,将目标函数分解,把问题转化为多个子问题求解。其次,对网络的稀疏性进行了控制,并改进了粒子群算法解的初始化及编码方式。然后,针对此重建问题,优化了粒子的进化过程。最后,实验与标准的粒子群算法及相关基准算法做了比较。实验结果表明,SDPSO_FCM-GRN具有较优的性能,且重建的基因调控网络具有很好的稀疏性。