自计算机普及以来,计算智能一直是热门的研究学科。根据仿生学思想,一些学者提出了模拟退火算法、蚁群算法、遗传算法、粒子群算法等。其中,遗传算法已经成为计算智能领域的一个重要分支,它具有随机全局搜索、优化以及不依赖具体问题的特点,目前已广泛运用于控制规划、组合优化、信号处理、图像处理等领域。云模型是一种定性定量之间不确定性的转换模型,它是概率论和模糊数学有机结合,采用云模型转化自然语言,能够准确的表达自然语言的模糊性和随机性,为不确定性问题的提供了新的研究方法和思路。因正态云具有稳定倾向性和普适性而经常被使用。当前遗传算法尚有收敛速度慢、搜索能力差等不足,针对这些问题,本文利用云模型定性定量之间的不确定关系转换能力,结合传统的遗传算法进行改进,以达到增强遗传算法的寻优性能、提高算法收敛速度的目的。本文做了如下研究：首先,优化遗传算法策略,在云模型的基础上提出云学习算子,结合云交叉算子和云变异算子,来控制种群的遗传进化。根据遗传算法和云模型的特点,提出各个算子自适应策略,主要是通过云模型的三个控制参数来反馈控制算子的变化。算法实现的策略是：云算子实现了在进化前期使用较大的交叉、变异、学习算子来获取较快的收敛速度,当种群基本稳定之后,用较小的算子,适当的扩大寻优范围,来获得较优个体。因为算法是基于云模型的,保证了遗传进化的稳定倾向性和随机性,加快了算法的收敛速度。然后利用经典测试函数对算法进行测试,检验算法的效率。其次,提高算法的寻优能力,增强寻优的记忆性。本文在实现遗传算法进化策略的基础上,进一步提出遗传阀限以及平凡和非平凡进化的概念,当满足遗传阀限条件,执行全局优化策略。在进化过程中,通过Y条件云发生器代替交叉过程、正态云发生器代替变异运算,对种群进行更新。这种方法克服了先前遗传算法的无记忆性的特点,可以跳出局部最优,实现全局最优化；该算法继承了云模型的稳定倾向性和随机性的特点,不仅保持了种群的多样性,还避免了陷入早熟,又较好地保护了较优个体,较大程度上克服了传统遗传算法局部搜索能力差、无记忆性和收敛速度缓慢的不足。