该文应用遗传学和进化生物学的理论和方法对遗传算法进行了研究.在三个方面对遗传算法进行了改进: 1.应用生物学的理论及实验结果指出,生物对于选择的响应大部分是以已经存在的遗传变异为基础的,而响应选择的速度,则取决于生物是否已经具备有利于进化方向或选择方向的连锁.将以上结论应用到遗传算法的研究中,就可以很清楚地知道,初始种群所包含的基因和连锁不平衡方式是非常重要的,它既关系到遗传算法最终解的正确性,也对算法的效率有很大的影响.遗传算法的初始种群是随机选取的,这是遗传算法作为一个全局搜索算法的特征,是不能加以改变的.但是,我们可以通过设定某些条件或使用某些方法,对随机选取的种群进行处理,使之尽量达到符合我们要求的状态.因而该文根据近交理论,提出了以小种群、短染色体进行预处理的方法,使之为其后的标准算法提供具有大量优秀基因和有利于进化方向的连锁的初始种群.2.提出了用基因流取代突变算子,以保持种群的多样性,避免早熟收敛.遗传学中遗传变异程度的增加,等同于遗传算法中种群多样性的增加.衡量遗传变异程度的指标为遗传方差.该文通过比较突变和基因流的遗传方差,从理论上证明了基因流导致的遗传变异大于突变,因而得出基因流更有利于保持种群多样性,避免早熟收敛的结论.并进一步给出了基因流的取值,为其实际应用提供了方便.3.讨论了内含子在遗传算法中的作用,及引入内含子的时机.在预处理种群中的染色体,仅包含少量内含子,而经过预处理的染色体已经具备以有利于进化方向的基因组成的优秀的建筑块,此时再将大量的内含子插入到内含子群中,使内含子处于恰当的位置,以提高算法的效率.最后在连锁学习遗传算法的基础上,加入以上三点改进方法,进而提出了扩展的连锁学习遗传算法.并通过连锁学习遗传算法和扩展的连锁学习遗传算法比较的实例,证明了新的算法具有更高的效率和准确性.