遗传算法是一种模仿生物自然进化过程的随机搜索和优化算法，其优势在于可以高效的处理传统搜索方法难以解决的非线性问题。遗传算法具有全局优化性和易操作性，由于其不受搜索空间的限制性假设的约束，具有广泛的适应性、并行性等特点，目前被广泛应用于函数优化、机器学习、模式识别以及自适应控制系统等众多领域，并逐渐成为人工智能领域的一个研究热点。简单遗传算法作为一种启发式搜索算法，寻优理论还不完善。因此，在应用中常出现收敛过慢、稳定性差及早熟现象等问题，而现有的一些自适应遗传算法容易产生局部最优解。由于简单遗传算法和现有的一些自适应遗传算法存在缺陷，本文采用了一些已有的性能优良的改进的初始种群生成、遗传算子等方法，在现有的一些自适应遗传算法的基础上，针对交叉概率和变异概率进行改进，提出了一种根据适应度值自动调整交叉概率和变异概率的新的自适应遗传算法。实验结果表明，该算法在收敛快速性和稳定性等方面都有了明显的改善，达到了预期效果。