分布式遗传算法 (Distributed Genetic Algorithms，DGAs)不但继承了传统遗传算法的优点，更具备了分布并行的特色。遗传进化过程中各台计算机虽然相互独立，但又可通过网络交换遗传信息，相互影响，增加彼此个体基因的多样性，从而可以有效避免传统遗传算法的“早熟(prematuration)”问题。 实际上，随着硬件技术的发展和个人计算机PC价格的不断下跌，目前许多企业、学术研究机构以及个人利用高性价比的个人PC来构建它们自己的分布式系统已成为可能，因此基于此系统的分布式遗传算法得到了广泛的应用。 那么如何提高分布式遗传算法的性能，就成为了一个值得深入探讨的问题。因此，本文选择以分析影响算法性能的控制参数作为切入点，来研究如何提升分布式遗传算法的性能，使其更加有效地应用于NP难问题的求解。 本文首先研究了影响分布式遗传算法运算性能的参数：种群规模和迁移相关参数，接着分析了目前的研究现状及存在的问题，然后依据参数动、静态特征再进行分类研究，并分别提出了相应的优化策略。 一方面，为了避免种群规模的固定不变对算法性能负面影响，本文提出了基于模糊选择的种群规模动态调整策略，此策略着重解决如何在进化过程中动态地为种群选取适当的进化规模。具体地，依据子种群当前的进化效果来选择进入基因池的个体的数目，这样有利于优势基因被有效继承和扩散，不但增强了算法的搜索能力，还提高了算法的搜索效率。 另一方面，为了避免盲目的参数设置导致算法性能不可预见的起伏，本文提出了基于数据挖掘技术(Data Mining)的参数优化方法，此方法有助于解决参数设置对算法性能的影响难以预测的问题。具体地，本文首先针对三个经典的优化问题进行了参数组合实验，然后利用数据挖掘技术寻找参数组合与算法最终解之间的一些必然联系或规则，进而建立了参数设置对算法性能影响的预测模型，为参数合理设置提供指导和依据，以求达到优化算法性能的目的。 最后在基于 PVM(Parallel Virtual Machine)的仿真平台上所得到的实验结果证明了文中所提出的分布式遗传算法相关参数的动态调整策略和优化方法确实提高了分布式遗传算法的运行效率与求解精度，并为复杂优化问题的求解提供一个良好的解决方案。