对于一类具有多种解决方法的问题,人类始终想去追求一种最佳、最优的解决方法。而人类至今研究和应用最多的优化方法之一的最优化算法,它是在众多的选择方案中求取最优者以达到最优标的的一种优化算法。本文所研究的混合遗传算法就是一种应用领域极为广泛的优化算法。因为在科学研究、工程设计和计算机智能等诸多领域中都会牵涉到最优化问题,所以无论在科学研究还是在实际问题应用中,遗传算法都是非常重要的研究领域。本文第一、第二章系统介绍了经典优化算法和基本遗传算法(SGA)的发展状况、基本原理、算法基本结构及应用的实现技术等。通过对上述算法运行效率和收敛性的分析研究,提出了基于经典优化算法的混合遗传算法(GA/BFGS)。数值模拟实验结果表明：改进后的遗传算法在保持全局收敛性强的同时,局部收敛性也得到了很好的改善,并将其应用于模糊神经网络的识别问题中,取得了令人满意的效果。本文主要做了以下几个方面的研究工作：1.简要介绍了遗传算法的发展历程及其探究现状。2.主要阐述了牛顿法、拟牛顿法、共轭梯度法和最速下降法四类经典优化算法的基本数学原理及其运算流程等。3.简要介绍了遗传算法的基本原理、算法流程、参数设置、数学理论及算法优缺点。4.本文从遗传算法的运行效率和局部收敛性两个方面考虑,依据经典优化算法的优点提出了基于BFGS改进的遗传算法,为了进一步测试GA/BFGS的收敛性能,本文把混合后的遗传算法应用于四个多峰值复杂函数分析并比较其混合后遗传算法的运行效率及其全局最优解的精度,得出了其解具有高的精度和局部收敛性,同时混合后的遗传算法也具有较高的运行效率。5.将GA/BFGS应用于模糊神经网络的识别中,并取得了比较理想的效果。