遗传算法是一种借鉴自然选择机制和遗传机制、具有自适应性、高度并行性以及鲁棒性等特点的全局优化算法,被广泛应用于复杂的工程应用当中,取得了不错的效果,同时也暴露出许多缺陷和不足,如早熟收敛,局部搜索能力差等。本文首先针对遗传算法在解空间中盲目选取交叉个体的的缺点,结合最速下降法,提出了一种基于梯度信息指导交叉的遗传算法。该算法通过确定当前种群中目标个体的最速下降方向,在该方向的有效范围内选择个体与目标个体进行指导交叉操作,使交叉后的子代不断向最优解靠近。典型的标准测试函数的仿真实验表明,该算法显著地加快了遗传算法的寻优速度,提高了遗传算法定位最优解的精度。其次针对目前的进化算法在求解约束优化问题时,处理约束条件的局限性,提出了一种新的求解约束优化问题的遗传算法。该方法重新设计了可行解与不可行解的适应度函数,通过新的适应度函数来选择可行解与不可行解,巧妙的处理约束条件,避免了惩罚因子的引入,同时边界变异以及非边界变异的引入,增强了算法的探索能力。13个标准测试函数的仿真实验验证了算法的有效性。最后,用改进的遗传算法对二级倒立摆控制器的参数进行了离线优化。仿真实验结果表明,寻优得到的控制器比人工试探法得到的控制器超调更小,响应速度更快。