变量选择一直是一个重要的研究课题,即如何能够从众多的影响因素中寻找到最有利于建模的因素。用于变量选择的方法有很多种,有传统的方法,也有基于传统方法进行改进的方法,还有一些是几种方法的联用。每种方法各有优缺点,适用于不同的问题。本文选择改进的遗传算法-逐步演进遗传算法用于变量选择问题。并采用与偏最小二乘方法联用,适用于大规模的变量选择优化问题,进行建模预报。验证了该方法适用于离散的、非线性模型,能够合理的选择出最优的变量子集,收到较好的预报结果,使得可控性增强。还尝试用于线性模型,采用高斯模拟法模拟光谱体系,验证了演进遗传算法的稳定性、可靠性与正确性,模拟了不同正交程度的光谱体系,发现该方法在正交程度大于0.3时预报结果较好,并能从200多个波长范围内选择出几十个包含重要信息的变量作为建模训练集,与未进行变量选择的训练集进行结果比较,发现结果稍有改善,但效率大大提高。在烟草体系中,本文还选择逐步回归方法与偏相关系数矩阵方法同逐步演进遗传算法进行建模预报比较。逐步演进遗传算法预报测试集平均相对误差分别是:烟碱5.87%、焦油4.44%、CO 5.35%,采用逐步回归方法预报测试集平均相对误差分别是:烟碱5.19%、焦油4.96%、CO 6.95%,采用偏相关系数矩阵方法,选取其中预报结果较好的一组条件,预报测试集平均相对误差分别是:烟草5.83%、焦油4.76%、CO 8.94%。结果表明,逐步演进遗传算法是一种有效可靠的变量选择算法。最后,参与了化学计量学算法网站的算法的建立工作,程序实现了KPLS算法,并用于小麦颗粒的质量识别。