函数系数时序模型，作为一种新的非线性时间序列模型，自1993年由Chen和Tsay提出以来，该模型的参数估计和异常点诊断问题近年来受到不少学者的关注，但参数估计效率不高成为了制约其发展的重要因素。遗传算法的成功运用，良好地解决了参数估计效率问题。　　遗传算法GA(genetic algorithms)是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出。近年来，众多学者针对传统遗传算法(SGA)存在的弊端，提出了改进，使其更好的发展，改进后的遗传算法有分层遗传算法(HGA)、CHC算法、Messy GA、自适应遗传算法(AGA)、基于小生境技术的遗传算法、并行遗传算法等。　　本文首先介绍函数系数时序模型的基本概念，然后列出传统遗传算法(SGA)以及改进的遗传算法(HGA、AGA、Messy GA)估计函数系数时序模型参数及诊断异常点的基本流程，最后应用这些遗传算法(SGA、HGA、AGA、Messy GA)对给定的函数系数时序模型进行参数估计，并在此基础之上诊断函数系数时序模型中存在的异常点。在诊断异常点时，采用绝对值诊断统计量、平方诊断统计量、调整的平方诊断统计量，选定某显著水平下的近似Gumbel分位数作为异常点诊断的临界值，通过多次MonteCarlo随机模拟判断一串序列中异常点是否存在以及存在位置的方式，并提出累计p值的概念，辅助进行异常点类型的判断。随机模拟结果表明:SGA、HGA、AGA、MessyGA方法均能很好地估计给定的函数系数时序模型的参数;上述四种方法对解决单个异常点或者多个不连续异常点的情形，具有很好的效果;同时，对于连续多个IO异常点及连续多个IO、AO异常点混合（仅含一个AO异常点）的情形，也能成功诊断。