现有各类遗传算法存在着下列问题:①在理论上是收敛的,但是它们的收敛速度很慢;②利用变异操作来实现其搜索空间的可达性,故而它们的稳定性和可控性均比较差;③没有明确的收敛点;④只能实现控制级的并行操作,这种行为操作是弱并行或者说是假并行.该文研究的内容就是为了解决上述问题.全文共分八章,主要内容如下:第一章回顾了遗传算法的发展历史,并对其研究现状做了综述,提出了现有遗传算法中所存在的问题.第二章在较为深入地研究了经典遗传算法及其并行实现的基础上,提出了四类并行算法;基于对等通讯的异步并行GA,控制主从式的异步并行GA,基于共享存储变量的并行GA,和空间交配并行GA.比较已有的并行GA,这四类基于粗粒度的进行模型具有系统通讯代价较小,运行效率较高,适合于在网络环境推广应用等特点.第三章讨论了遗传算法与多Agent技术的相互结合,提出了二类并计算法;基于集群Agent的并行GA,将个体视为智能体,每个智能体自适应地进化;各子群体设置一个agent monitor,用于管理、协调各智能体的行为.第四章为克服现有遗传算法中存在的收敛速度慢、早熟收敛、可控制性差以及稳定性差等不足,去掉经典遗传算法中的变异算子,首次提出了狭义遗传算法(RGA),论证了RGA在多峰值情况是局部收敛的,在单峰值情况是全局收敛的.第五章为弥补RGA的局部收敛,提出了基于区域搜索的RGA,讨论了分区域搜索的RGA的一些重要性质;同时提出了一种区域自动划分的算法.第六章针对基于区域自动划分的分区域搜索的RGA只能解决部分多元函数的优化问题,提出了基于切平面上升的狭义遗传算法(RGAATP).第七章针对区域搜索RGA可实现数据级并行操作的特点,提出了基于共享存储的并行RGA和基于分布存储的并行RGA,其唯一的通讯开销是传递局部最优结果,因此具有很小的通讯代价.