遗传算法作为一种启发式搜索算法，在科学研究、工程技术等众多领域有着广泛的应用。但由于现有的遗传算法在求解某些优化问题时，通常存在搜索效率不高的问题，因而使遗传算法在实际中的应用受到限制。提高遗传算法搜索效率的问题已成为推广、应用遗传算法的关键之一，该问题的研究已受到中外学者的广泛关注。因此研究提高遗传算法搜索效率的技术具有重要的理论意义，而且为遗传算法的推广应用奠定良好的基础。　　针对传统遗传算法搜索效率中存在的搜索空间和收敛速度的矛盾，借鉴美术中“素描”的思想，对传统的遗传算法进行了改进，提出了新的基于素描的遗传算法。该算法模拟人的素描行为，构造参数控制下的选择算子，再通过参数的调节来选择个体，并依据最优个体对选择算子进行修正，来动态调整群体进化过程中的算法搜索空间和收敛缓慢之间的矛盾，从而提高遗传算法搜索的效率。仿真及在供应链管理中的应用表明，算法搜索效率高于现有的其它方法，说明了该算法的有效性。　　针对传统遗传算法搜索效率中存在的容易陷入局部最优解的问题，借鉴生物中“亲缘选择”的思想，对传统的遗传算法进行了改进，提出了新的基于亲缘选择的遗传算法。所提出的算法源于进化理论中的亲缘选择现象，构造新的选择算子，通过亲缘关系来保证算法在最优解的邻域内的有效搜索，从而有效地避免了传统遗传算法中早熟现象，显著地提高了遗传算法的搜索效率。实验表明新算法在数据库的聚类挖掘中，在时间性能和聚类质量上都能获得较好的结果。　　基于和声搜索提出了改进的遗传算法，以增强其稳定性，并把改进的遗传算法与单纯形方法和禁忌搜索法有机地结合起来提出一种混合算法。混合算法利用单纯形方法很强的局部下降能力来提高遗传算法的解的精度，利用禁忌搜索法的全局搜索能力来提高改进遗传算法的搜索效率。实验表明混合算法搜索效率可有效地提高。　　针对传统遗传算法搜索效率中存在早熟收敛和收敛缓慢的难题，给出新的改进遗传算法。该算法从被优化函数的因变量出发，结合水平集的概念，对每一代种群进行分类，把与目标相关的所有信息有机地结合在一起，从而提高了算法的搜索效率;同时通过对变异算子进行改进，提高了种群的多样性，有效地避免了遗传算法的早熟收敛;还证明了变异算子能提高种群多样性以及新算法能依概率收敛于全局最优解，并且给出了算法的收敛准则。将算法应用于数据分类中，获得了满意效果。　　遗传算法提供了一种不依赖问题种类的通用算法框架，可用于求解不同的优化问题。在所用的算例计算中，基于素描的遗传算法、基于亲缘选择的遗传算法、混合算法和基于水平集的遗传算法各自采用基本相同的程序，不同的只是所用的测试函数和算法应用的目标函数具体表达式，仿真结果表明算法均能有效地收敛到问题的全局最优解。其中，基于素描的遗传算法的程序设计要求较深数学知识，基于亲缘选择的遗传算法仅考虑了算法的搜索空间不足来对算法进行改进的，混合算法是从遗传算法的稳定性和爬山能力两个方面来对算法进行改进的，因而搜索效率比基于亲缘选择的遗传算法更好，但混合算法和基于亲缘选择的遗传算法分别适应实数编码和二进制编码，最后基于水平集的遗传算法由于是从另外一个全新的角度出发来对算法进行改进的，因而避免了上述三种改进算法的缺点，具有非常广泛的应用性。