遗传算法是一种模拟自然界生物进化的搜索算法，由于它的简单易行、鲁棒性强尤其是其不需要专门的领域知识而仅用适应度函数作评价来指导搜索过程，从而使它的应用范围极为广泛，并且已在众多领域得到了实际应用，取得了许多令人瞩目的成果，引起了广大学者和工程人员的关注。 遗传算法是一种新兴的技术，正处于发展期，虽然在应用领域获得了丰收，但其理论基础还较薄弱，有许多地方需要研究和发展充实。 本文对遗传算法理论与应用进行了一些研究与分析工作。首先，分析了遗传算法基础原理——模式定理在一维染色体编码方案上的适用性，提出了遗传算法设计的一些原则；其次，在对传统遗传算法的基本结构和基本流程的研究分析基础上，对传统遗传算法作了一些改进：扩展了传统遗传算法的群体概念，提出了两个新概念——繁殖群体和生存竞争群体，细分了原来传统遗传算法的单一群体概念，并给出了新概念建立的依据，分析了其意义；在此基础上，提出并定义了相关的进化策略，由此改进了传统遗传算法计算模型，文中指出了新的计算模型的改进意义及其作用，最后根据新模型实际设计了一种通用遗传算法——TNGA；接着，在随后的章节中，本文从理论上用泛函分析的数学方法证明了TNGA的收敛性，并在先期研究者用Markov链分析的基础上进一步分析了本文改进算法的收敛性；最后，本文做 了一些实践应用方面的研究工作，分析了GA程序设计与工具构造方 面的一些问题，实际编程实现了TNGA并将之用于求解CTSP问题，在 应用中验证了TNGA的有效性，并通过与传统SGA的实算结果对比， 更进一步说明了算法的改进效果。同时，在求解CTSP问题时，本文 分析了在解此类有序问题时传统算子的一些局限，提出了用单亲基因 遗传操作求解的可行性，并通过实算对比结果表明了单亲基因遗传操 作相对传统算子的优越性。另外，本文将遗传算法引入到了网络计划 这一组合优化问题中，提出了用遗传算法求解DCPM问题，从而进一 步扩大了遗传算法的应用领域。