自适应机翼为今后机翼发展的一个重要方向，现阶段自适应机翼的研究已经开始进行风洞实验。但自适应机翼有多种构型变化及构型复杂的特点，必然使得风洞实验规模过大及气动特性难以认识，如果纯以实验用排列组合的方法确定机翼构型气动特性，这将是一项繁重、不可行的工作。为了提高风洞实验效率，降低实验成本，缩短实验周期，文中探讨了将遗传算法引入到风洞优化实验中，实现了基于遗传算法的多段翼型实验规划。鉴于目前还没有成型的自适应机翼理论，且大部分自适应机翼研究都是建立在增升装置理论上的，所以本文把研究对象定为多段翼型，所得出的结论是适用于自适应机翼的。 通过遗传算法对多段翼型的迎角及各段的偏转角度、重叠量和缝道宽度进行编码，对编码后的初始群体进行风洞实验得到适应度值(在本文中为翼型升力系数)，然后进行遗传算法计算：选择、交换和变异。经过遗传算法计算后会生成与初始群体规模相同的新群体(即要进行下次实验的构型)，并对新群体进行风洞实验，获得其适应度，不断重复此过程直至算法收敛到最优值。 对两段翼型的研究表明应用遗传算法规划风洞实验，种群数小算法容易局部收敛，种群数大收敛慢，当种群数为染色体长度的2倍左右时，算法能较好的搜索到最优值，且能够减少实验次数约40％；初始群体值对算法的收敛性及计算效果基本无影响。此外，也模拟计算了4段翼型风洞实验，当种群数为染色体长度的2倍左右时，能提高实验效率大约为87％～93％，可见遗传算法仍然有效且在大规模风洞实验中更有应用价值。本文根据目前自适应机翼的几种方案，提出了如何进行实验规划的建议，为今后构型复杂的自适应机翼风洞实验研究提供了一个研究思路。