遗传算法是一种模拟自然选择和生物遗传进化过程的概率搜索算法,它具有鲁棒性强、全局搜索性能好、易于并行化等特点。经过多年的研究和不断完善,遗传算法已具备求解组合优化问题的通用框架,并在生产控制、模式识别、人工生命、机器学习等领域得到了广泛的应用,取得了丰硕的成果。然而,遗传算法的固有缺点也在应用过程中逐渐暴露出来,这主要体现在其在优化求解的过程中易陷入局部最优、局部搜索和微调能力差以及进化中后期个体之间的差异性急剧缩小三个方面。多年来,国内外学者从多个方面提出了对遗传算法的改进策略,取得了显著的成效,而混合遗传算法和多种群遗传算法是当前遗传算法研究领域的焦点和难点。受前人研究成果启发,本文结合混合遗传算法和多种群遗传算法的特点,提出可行、有效的混合改进策略。本文主要的研究内容和工作包括以下三个部分：(1)针对遗传算法易陷入局部最优、全局寻优能力弱、多样性丧失快的问题,提出多种群的退火DNA遗传算法(MADNAGA)。对待求解问题的参数编码采用由四种脱氧核糖核酸碱基组成的字符集,并在此基础上设计交叉、变异、倒位算子。构造了由两个开发种群、一个精英种群组成的三种群协同进化结构,并为种群设计不同的遗传进化机制和进化控制参数,通过种群交互策略实现种群间的信息交流。此外,引入模拟退火机制实现种群个体的更新。最后,通过八个函数优化实验和实验结果的对比验证新算法的有效性和优越性。(2)在DNA编码和三种群协同进化结构下,对种群的交流方式和个体的生成以及选择方式做了更进一步改进,提出多种群的免疫DNA遗传算法(MIDNAGA)。通过模拟生物的免疫机制,对个体的生成和选择过程进行自适应调控。最后通过函数优化实验及其对比结果验证新算法的有效性和优越性。(3)将本文提出的两种混合改进的遗传算法应用于背包问题的求解中,借鉴贪心准则对遗传进化过程中产生的个体基因进行修复和优化,并通过仿真实验证明新算法在求解背包问题中的有效性、实用性和优越性。