遗传算法是最早的进化算法之一,它具有良好的稳定性和全局寻优能力,广泛的应用于实际问题中。相比于现今粒子群,差分等进化算法,它的收敛速度相对很慢,在局部寻优上存在不足。但是,众多学者长期致力于遗传算法的理论基础研究,构建不同的遗传算法模型,完善的分析其收敛性和有效性,提供了良好的基础。我们将遗传算法结合各种不同机制或者提出新的改进策略,增加算法的应用领域,提高算法效率。本文基于空间搜索的方式,通过了解种群在变量空间的分布状态,提出了改进的策略对遗传算法进行相关的研究分析。论文的主要工作如下:1)研究遗传算法的理论基础,仔细分析其收敛过程。遗传算法是一种基于启发式搜索的并行性算法,它具有良好的寻优能力和简单的流程。从模式定理中,我们可以了解到,对于遗传算法中的编码,通常难以保留较长的模式,它们有很大的几率被破坏,交叉与变异操作就是让个体的编码可以随机分布在变量空间。在由适应度值引导的过程中,只有趋向相同的编码才可以保留相对稳定的编码个体,因此才容易让遗传算法陷入早熟。本文主要是提出一种可以产生新的编码个体的方式,保持种群的多样性。2)在单目标遗传算法中,提出结合自适应算法的空间划分策略。为了避免自适应遗传算法在后期陷入局部较优,提高搜索的效率,文中提出一种通过种群中个体的变量空间分布来划分区间的方式,来重新分配部分个体,从而加速收敛过程的方法。在遗传算法迭代过程中,对种群个体的分布统计分析,查看种群分布的区间状态,观测收敛的过程。改进的自适应遗传算法了解在整个变量空间内种群个体的分布状态,在重新分配部分种群时,增加个体的多样性从而加速收敛的过程。通过实验可以发现,改进后的自适应遗传算法在种群的多样性上具有差异性,同时可以快速的收敛到全局最优解。3)在多目标遗传算法中,提出构建空间决策树。在高维度空间中,解集的偏好空间难以取舍,记录种群个体的所在位置,将个体在进化中保留的相对稳定的部分位值构造成树。通过生成的空间决策树引导种群的搜索方向,可以有效的保证个体在寻优过程中保持一定的距离具有多样性,又可以快速的向全局进行搜索。通过实验可以发现,增加了空间决策树的NSGA2算法对于目标维数较高的高维多目标优化问题能够取得较好的效果。