最优化理论是数学的一个分支，也是一门应用相当广泛的学科。它研究的是某些数学问题的最优解，即对给出的实际问题，从众多候选方案中找到最优方案。目前，伴随着计算机技术的高速发展和优化计算方法的进步，各种优化问题的理论研究发展迅速，新方法不断出现，实际应用日益广泛。使用传统方法求解优化问题的历史相对悠久，当前仍然在不断的发展过程中，这些传统方法大多是针对于某些特定问题，并且对搜索空间的要求相对严格，有些方法更要使用被优化函数的各阶导数信息。 而演化算法是计算机模拟大自然的演化过程，特别是生物的进化过程，来求解复杂问题的一类计算模型。它把求解优化问题的过程与生物种群的进化过程作类比，让可行解在遗传算子(选择、交叉、变异)的作用下不断演化，以求最优解。其主要特点是群体搜索策略和群体中个体之间的信息交换，搜索不依赖于梯度信息。与求解优化问题的数学方法相比，采用演化算法求解优化问题有着如下优势：(1)基于群体操作；(2)对搜索空间和被优化函数的性质没有特殊的要求；(3)计算相对简单，易于实现。它具有全局搜索能力，因此最善于搜索复杂问题和非线性问题。它被广泛地应用到各个领域，其中函数优化就是其中之一。 许多仿真结果和应用表明了遗传算法具有计算时间长、局部搜索能力弱等缺点。为了改进它的优化性能，人们提出了一些将遗传算法和局部搜索能力较强的算法结合的算法，以及它和正交法结合的算法。这些改进的方法在很大程度上提高了的遗传算法的效率。 基于对大量文献的研究和分析，了解局部搜索算法具有很强的局部搜索能力，可以在一定程度上弥补遗传算法局部搜索能力弱的缺点；而正交试验设计法是以相当少的实验次数，非常短的实验时间和很低的实验费用得到满意的实验结果，它可以用来确定种群初始的规模，并使种群个体均匀地分布在解空间内。 论文围绕遗传算法上述的缺点，结合局部搜索算法和正交试验设计法的特点，利用传统优化算法的本质特性，对其进行了深入的研究，提出了一种新的混合遗传算法——基于正交和局部搜索的演化算法：首先，用正交试验设计法选择一个合适的正交表，来确定初始种群的规模，并使群体均匀分布在求解区间中；然后，用遗传算法对这些种群进行遗传操作(选择、交叉、变异)；接着使用局部搜索算法来对每个个体进行若干步迭代，找到当前最优解；最后，重复遗传操作和局部搜索，得出全局最优解。这种算法既能提高遗传算法的局部搜索能力，又能避免遗传算法的“早熟早收敛”。