遗传算法是一种根据生物进化思想而产生的随机搜索算法。它借鉴于优胜劣汰、适者生存的自然选择机理，简单通用、鲁棒性强、适合于并行处理，是一种有效的全局搜索方法，在多个方面得到了成功的应用。但遗传算法也存在收敛速度慢、易早熟、局部搜索能力差等缺点，在搜索速度与求解精度上往往不能两者兼顾。为了解决复杂的多变量优化问题，在对遗传算法进行深入分析的基础上，本文做了大量研究工作： 第一，在详细分析遗传算法和直接搜索法优缺点的基础上，提出了一种基于遗传算法和直接搜索策略的混合优化算法。该算法既具有遗传算法的全局寻优能力，又具有直接搜索法的局部寻优能力，可大大提高了寻优的速度和精度。应用于PID参数整定的仿真实验表明该算法具有比遗传退火策略更好的寻优性能。 第二，针对基本遗传算法求解旅行商问题(TSP)速度慢的缺陷，提出了一种基于分区搜索的自适应遗传算法。它把较大的搜索区域分成较小的搜索区域进行局部搜索，得到了局部较优的基因组合，以此作为遗传算法在大区搜索时的初始种群，大大地加速了遗传算法的收敛速度。应用于TSP问题的仿真表明，它是一种稳定、高效的优化算法。 第三，在系统分析遗传操作算子的基础上，提出了一种基于局部变异算子的改进遗传算法。局部变异算子在进化初期变异范围较大，而在进化后期较小，大大提高了算法的局部搜索能力，加快了收敛速度，同时提高了寻优精度。 最后，本文将混合遗传算法应用于智能天线的波束形成中。它以用户的误码片率最小为目标，逐步形成用户所需的波束。在CDMA扩频系统的仿真表明，在有效用户数内只需少量的进化代数就能形成用户所需的波束。