遗传算法是模拟自然界生物进化机制而形成的一类随机优化算法,由于它全局搜索能力强和对所求解的问题要求不严格,因此遗传算法被广泛于科学研究和工程应用各领域。但是,遗传算法存在一些不足,例如局部搜索能力较弱、进化后期种群个体相似度高、易早熟收敛等。DNA遗传算法是在遗传算法的基础上,受DNA生物特性和DNA计算发展起来的,它极大地丰富了遗传操作,为遗传算法的进一步发展提供了新的途径。本文对DNA遗传算法及在化工过程中的应用进行了较深入的研究,主要研究成果如下：(1)提出了一种具有参数区间自适应策略的DNA遗传算法,设计了三种新型交叉算子提高了进化过程中的种群多样性。此外,为了增强局部寻优能力和克服传统遗传算法的初始解参数取值范围过于依赖经验设定的缺点,提出了参数区间自适应策略。通过对测试函数寻优和重油裂解过程参数估计问题求解,实验结果验证了该算法的有效性。(2)受进化策略和生物DNA的启发,提出了一种基于(μ,λ)进化策略的混合DNA遗传算法(HDNA-GA)。该算法采用了DNA碱基编码方式,受DNA分子操作的特点启发,设计了新的交叉算子和自适应变异算子,并基于模拟退火算法改进了种群进化过程的选择策略。为了提高算法的全局和局部搜索能力,提出了基于(μ,λ)进化策略的种群更新操作和采用了参数区间自适应整定操作。通过对测试函数寻优和实际动态系统参数估计问题求解实验,结果验证了该算法的有效性。(3)汽油调合过程是炼油厂生产的一个重要环节,直接影响着企业的利润率,也关系到环保节能等方面。其优化调度问题是一个有约束的非线性优化问题。提出了一种具有特殊环操作的DNA遗传算法,设计了无罚参数的罚函数法,用以处理非线性约束问题。通过对测试函数的寻优和汽油调合调度优化问题的求解,实验结果验证了该算法的有效性。(4)提出了一种具有种群禁忌剔除策略的DNA遗传算法。该算法通过定义的均值适应度值来评价算法的“早熟”程度,并利用量化的“早熟”程度设计了DNA遗传算法的自适应交叉概率和变异概率。将该算法用于神经滑模控制器的优化问题求解,实验结果表明经过该算法优化后的神经滑模控制器具有很好的控制品质和鲁棒性。