遗传算法是一种抽象于生物体的进化过程,通过全面模拟自然选择和遗传机制,形成的全局优化搜索算法。在进化过程中,性能好的个体以更高的概率被选择,主要通过交叉和变异操作,形成新一代性能更好的个体。进化终止时的最优个体通常被认为是问题的最终解。遗传算法已经被广泛应用于多种优化问题,机器学习,模式识别等领域。本文利用遗传算法来解决符号学习问题,即从符号值数据集中抽取归纳出if-then规则。本文采用的是传统的Pittsburgh方法,即一条染色体表示一个规则的集合,种群中的染色体互相竞争,进化终止时的最优染色体即最优规则集。该方法的代表性系统是GAssist系统,本文对该系统进行了如下进一步研究。为了提高规则集合的泛化能力和系统效率,本文提出了一种新的种群初始化方法,引入了适应值尺度变换；在GAssist系统发展过程中,等级选择算子被抛弃,本文对它进行了改进,重新引入到系统中；提出了一种新的GA迭代终止标准；对适应度函数的不合理之处进行了修正,最后对适应度函数进行了进一步的改进,即在评价规则集合的整体性能时,考虑到单条规则的性能,实验证明,改进后系统的性能和效率都得到了提高。