由于科技发展的需要，人们不得不面对科学研究和工程领域中的愈来愈复杂的寻优问题，元胞遗传算法提供了一种解决复杂优化问题的途径。元胞遗传算法将遗传操作限制在邻域内进行，减缓了优势个体在群体中的扩散速度，具有更好的全局探索能力，在求解复杂、多极值点优化问题中显示出优越性。然而，邻域内的遗传操作也带来元胞遗传算法收敛速度慢、局部搜索能力弱的问题。目前，元胞遗传算法大多注重元胞自动机邻域结构，缺乏对元胞自动机模拟自然现象的系统研究。为此，本文对元胞遗传算法进行了较为系统完整地研究分析，从不同角度提出几种改进算法，提高了算法全局收敛率及收敛速度，并在工程应用领域做出了新探索。本文研究内容和成果如下：（1）以选择压力作为分析手段，对标准元胞遗传算法进行定性分析。通过测试具有代表性的函数，从进化过程与计算性能两方面，对元胞遗传算法与标准遗传算法进行对比分析，并分析总结了邻域结构对算法性能的影响。研究表明，在进化过程中，标准元胞遗传算法具有较好的维持群体多样性能力。（2）对灾变机制元胞遗传算法进行研究，提出基于个体差异的灾变元胞遗传算法。研究不同移民方式下，灾变规模和灾变周期对灾变机制元胞遗传算法选择压力的影响。以精英移民策略为基础，将具有差异的优秀个体植入灾难区域，提高了进化过程中的群体多样性。这种方法在处理多峰、存在局部极值点的优化问题时，提高了算法跳出局部极值点的能力，亦使优化问题的收敛速度和收敛率得到提高。（3）研究生态密度对生态系统进化的影响规律，提出两种不同演化行为机制的元胞遗传算法。为了进一步维持群体的多样性，从自然界的渐进演化行为出发，提出具有演化规则的元胞遗传算法，以便提高全局搜索能力。基于个体的适应度，以物种间的捕食策略替代自然演化行为，提出具有捕食机制的元胞遗传算法，从而提高局部探索能力。这两种算法的运行效率均优于基本元胞遗传算法。（4）结合粒子群算法与元胞遗传算法，借鉴粒子群优化中粒子信息交互模式，提出两种不同融合机制的混合元胞遗传算法。根据粒子群概念，构造一个元胞遗传算法的新算子，研究融合粒子群概念的混合元胞遗传算法。为了提高全局搜索能力，将多中心城市策略引入元胞遗传算法，结合粒子群算法，提出多中心城市策略的混合元胞遗传算法。这两种混合元胞遗传算法既能保证优化问题的优化结果，又能提高收敛速度。（5）考虑夹持元件的局部变形，推导出工件的位置误差分析模型。以最小的工件位置误差为目标，构建夹紧力的优化设计模型，并提出了基于灾变元胞遗传算法的夹紧力优化设计模型求解方法。