本文对遗传算法、小波神经网络中的若干问题进行了深入研究并提出了一系列解决这些问题的方法。首先,研究了传统遗传算子的功能完善问题。定义了遗传算法中群体的多样性测度和成熟度的概念,对三种传统遗传算子的作用从理论上进行了定量分析,在此基础上,提出了一种能弥补传统算子不足的新遗传算子——扩散算子,利用模拟退火的思想给出了扩散概率的计算公式。仿真结果与理论分析的结论均表明了这种扩散式遗传算法具有更理想的寻优性能。其次,研究了遗传算法的预防成熟前收敛问题。分析了遗传算法成熟前收敛的形成原因并介绍了一般的预防策略,在对模式的样本分布特点进行讨论后,提出了一种基于均匀分割的多种群并行遗传算法,并证明了该方法在不影响收敛速度的前提下具有发生成熟前收敛的概率呈指数级下降的优点。仿真结果证实了该算法在处理复杂的多峰值优化问题时预防成熟前收敛的效果非常明显。再其次,研究了提高遗传算法的收敛精度问题。基于动态编码的思想提出了一种变焦遗传算法,该算法在不增加编码长度和扩大种群规模的前提下,能不断储存已多次迭代的信息并随时纳入新的基因,是处理高精度优化问题的理想方法。然后,研究了小波神经网络的结构优化及稳定性问题。从理论上揭示了小波神经网络存在维数灾和鲁棒性差的本质原因,结合主成份分析的思想对网络的结构进行了改造,并由此提出了一种广义小波神经网络(EWNN)。网络学习采用 Oja 算法,仿真结果表明该方法在控制网络的规模及抗干扰性上比改造前的网络都有了很大提高。随后,研究了基于遗传算法的小波神经网络的结构优化问题。针对 EWNN,提出了一种利用混合遗传算法进行结构优化的进化小波网络。利用遗传算法的全局最优性在大范围内进行搜索,再用 Oja 算法进行快速的局部寻优,从而达到了全局寻优与快速搜索的有机结合,由此训练的进化小波网络性能得到明显提高。最后,研究了进化 FCM 算法在故障诊断中的应用问题。提出了一种进化 FCM故障识别方法,该方法首先利用一种改进的离散付氏变换方法提取故障特征,然后利用第二章的扩散式遗传算法与模糊 C-均值(FCM)聚类方法结合进行故障识别。该方法通过离线优选虚拟标准样本,达到快速、准确在线识别故障的目的,很好地解决了 FCM 算法经常收敛到局部极值点的问题。以某种歼击机的结构故障为例进行分类测试,结果表明该方法明显优于 FCM 和 BP 神经网络诊断方法。