遗传算法(Genetic Algorithm,GA)是优化算法中的一种随机搜索算法,以适应度函数作为导向的智能算法。它借鉴了生物界的进化规律,在实际应用中有很多的优势。自遗传算法诞生起,人们对其理论和应用进行了深入的研究,并取得了很大的成就,并且根据其本身存在的不足和缺点,人们对遗传算法进行了许多改进研究,从而在一定程度上使遗传算法的性能得到了提高。本文通过分析遗传算法的运行机制,首先介绍了遗传算法的基本原理和操作,并对二进制遗传算法和实数遗传算法的操作分别进行研究,且对进化策略、交叉概率的取值和编码方式进行了深入细致的研究,发现如下问题：(1)现有文献遗传算法的进化策略一般都是“父代精英个体保留——选择——交叉——变异——替换精英个体”。这种遗传操作方式,即使在交叉操作过程产生了优秀个体,优秀个体也可能会在变异过程中被破坏,如何使产生的优秀个体能够保留下来,就是现有进化策略需要改进的方面。(2)遗传算法进行交叉操作时,交叉概率的取值一直没有定论,对于如何确定交叉概率的取值是需要解决的问题。在此基础上,对遗传算法的进化策略、交叉概率的取值进行了改进,并且分别运用二进制遗传算法和实数遗传算法针对无约束的优化问题和带约束的优化问题进行仿真测试,并对其结果进行分析和比较。证明本文提出的改进算法可以使算法的性能得到提高。本文对遗传算法的主要改进及取得的研究成果有：(1)本文提出的改进的进化策略不仅仅保留父代种群中的优秀个体,还保留交叉以后的精英个体,如此可以防止交叉以后的优秀个体在变异操作中被破坏,从而加快了算法收敛到最优解的速度,不仅使遗传算法求得最优解的平均代数减少,而且求得最优解所用的时间也减少了,使遗传算法的性能得到改善。(2)提出了交叉概率应取1。本文将交叉概率的取值作为研究对象之一,深入分析了交叉概率的取值对遗传算法性能的影响,提出了交叉概率应取1,通过测试函数测试交叉概率分别取0.5,0.6,0.7,0.8,0.9,1；测试结果表明,交叉概率越大,运算速度越快,平均运行代数越少。验证了本文交叉概率取1的科学性和可行性。同时克服了交叉概率难以确定以及确定交叉概率时缺少理论依据的不足。(3)通过深入的研究对遗传算法进行了改进,并采用理论分析和实际应用相结合的方法,分别运用二进制遗传算法和实数遗传算法应用于无约束的函数优化和带有约束的函数优化,测试本文提出的改进算法的有效性。最后,总结本文所做的研究工作,进行了展望。