多模态函数优化问题广泛存在于函数优化、决策与设计、工业应用等诸多领域。由于遗传算法的搜索对象是种群,种群中的个体可能分布在解空间的各个角落,只要能够维持种群多样性,就有可能搜索到若干全局峰或局部峰。因此,遗传算法是求解多模态函数优化问题的有力工具。小生境技术是遗传算法用以解决多峰优化问题的有效手段。本文在分析经典小生境遗传算法的基础上,将聚类分析引入多生境排挤遗传算法,提出了一种改进的多生境排挤遗传算法,并将其应用于核磁共振成像的特形脉冲的优化设计。本文的工作主要包括以下几个方面：1.简要介绍了遗传算法的基本概念、基本原理、研究历程和研究现状。2.详细介绍了小生境遗传算法的基本思想、实现方法以及典型小生境遗传算法,分析比较了各种小生境算法优缺点和适用范围。3.提出了基于K-均值聚类的改进多生境排挤遗传算法。标准多生境拥挤算法的搜索速度较快,但搜索能力相对较差。在多生境拥挤算法中引入适应值共享机制可以提高搜索能力,但搜索速度因此却大大下降。将聚类分析引入多生境拥挤算法,可以改善算法的选择替换机制。数值实验表明,改进后的算法在保留搜索速度方面优势的同时,搜索能力得到了一定的提高。4.将改进的多生境排挤遗传算法应用于核磁共振成像的特形脉冲的优化设计,得出了体系处于热平衡状态时的特形激励脉冲和反转脉冲的具体表达式。与模拟退火等方法相比,改进的多生境排挤遗传算法具有下列优点：(1)可以提供多种优化设计方案,给使用者以更多的选择；(2)具有较高的运行效率,计算时间较短；(3)具有更佳的全局收敛性。图14表6参考文献41