遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机优化搜索算法，是解决各类函数优化问题的一种有效算法。其编码技术和遗传操作比较简单，对优化问题的限制性条件要求很低，具有很强的并行性和全局搜索能力。目前已经在机器学习、模式识别、图像处理、优化控制、组合优化和管理决策等领域得到了很好的应用。在利用传统的遗传算法对复杂问题进行求解时，传统的遗传算法往往难以平衡搜索空间上的开发和探索能力，存在较大的随机性和盲目性，容易产生早熟收敛、局部搜索能力差和收敛速度缓慢等问题。自适应遗传算法的提出一定程度上改善了算法的性能，但也增大了算法陷入局部最优的可能。针对以上问题，本文研究的云自适应遗传算法是在传统的遗传算法的基础之上引入云理论，由X条件发生器自适应调整交叉变异概率，由于云模型云滴具有随机性和稳定倾向性，使交叉变异概率既具有传统AGA的趋势性，满足快速寻优，又具有随机性，当种群适应度最大时并非绝对的零值，有利于提高种群多样性，大大的改善了避免陷入局部最优的能力。并用模拟农夫捕鱼算法（SFOA）中的收缩搜索来对其进行改进，得到改进的云自适应遗传算法（ICAGA），典型的函数优化实验表明，与传统GA算法CAGA算法相比，ICAGA具有更好的收敛速度和鲁棒性。最后，将改进云自适应遗传算法应用于电力系统无功优化中，通过典型的算例来进行验证和分析，并将仿真结果与GA算法、CAGA算法进行了比较，表明该算法能更好地获得全局最优解，从而验证了本文模型和算法的正确性、适用性和经济性。