遗传算法是一种模拟自然进化过程搜索全局最优解的随机优化算法.由于算法简单易于实现、控制参数少且搜索能力强的特点，遗传算法得到了人们的广泛研究和应用.与其它基于种群的进化算法一样，遗传算法也存在着一些不足，主要表现在易陷入局部最优解和局部搜索能力较弱.针对遗传算法的参数选择对求解效果的影响较大的问题，本文借鉴伊藤算法和万有引力算法思想，对遗传算法中的交叉算子和变异算子中相关参数进行改进，提出了新的遗传算法.在混合遗传算法基础上，新的遗传算法能够自适应的调节个体在交叉和变异运算中的相关参数.本文并使用一些经典的测试函数进行了数值实验.本文的主要工作有以下两个方面.　　1.针对高维无约束函数优化问题本文提出了一种新的自适应混合遗传算法.通常情况下，为解决遗传算法在高维无约束函数优化问题方面暴露出来的局部搜索能力不足的缺点，对遗传算法的改进通常会嵌入局部搜索能力较强的传统优化算法，构成局部搜索块，来增强遗传算法局部搜索能力.在此情况下，往往是增加算法的时间复杂度换来较高局部搜索能力.伊藤算法及万有引力算法都有类似传统优化算法的局部搜索能力较强的特点，所以将伊藤算法和万有引力算法引入遗传算法是一种提高其局部搜索能力的有效方法.本文借鉴伊藤算法和万有引力算法思想对遗传算法中的交叉和变异算子中原来随机确定的参数进行了改进，增加了种群在交叉及变异运算中目的性，这种改进使得算法具有较强局部搜索能力，又保持了时间复杂度不变.　　2.为解决遗传算法在进化后期已陷入局部最优的缺点，改进方法通常是增加变异率、小生境和多种群等方法.由于混沌具有遍历性、随机性和对原始条件的极度敏感性等特征，而且在特定范围内能够按自身规律不重复遍历所有状态.本文同时引入混沌搜索，针对个体视所处种群环境确定交叉和变异运算中的相关参数，从而达到自适应调节参数的目的，使得种群在进化后期仍具有较强跳出局部最优的能力.　　通过这两个方面改进，遗传算法有效地克服了局部搜索能力弱以及易陷入局部最优解的缺点.数值实验表明，新的遗传算法既具有较强的局部搜索能力，又能有效避免陷入局部最优解.