遗传规划算法（Genetic Programming,GP）是一种典型的智能优化算法,它可自动生成解决问题的计算机程序及其他复杂结构,从而解决各类优化问题。GP模拟了种群的演化过程,采用选择、交叉、变异等遗传算子优化种群中的个体,以适应值为导向寻找最优解。然而,GP存在早熟收敛及代码膨胀等问题,这些问题将对解的质量产生重要影响。因此,针对GP存在的上述问题,本文展开了以下研究工作:（1）早熟收敛问题将导致算法陷入局部最优,降低搜索性能并影响解的优化效果。针对早熟收敛,本文从多样性角度改进算法的选择机制,提出一种基于聚类锦标赛与父代匹配的遗传规划算法（Genetic Programming Algorithm Based on Cluster Tournament Selection and Parent Matching,CMGP）。CMGP采用聚类操作将种群划分为多个子种群,通过自动调整选择压力,算法有效的维持了种群多样性,提高了算法的搜索能力。针对个体适应值评价单一问题,CMGP改进了个体二进制字符串适应值特征（Binary String Fitness Characterization,BSFC）,进一步明确了个体内部的行为。此外,CMGP利用BSFC实现了针对性交叉操作,通过父代匹配算法从成对多样性的角度实现了探索和开发间的较好平衡。CMGP采用不同基准问题进行多个对比实验,结果表明该算法可有效改善GP种群多样性低的问题。通过维持种群多样性避免早熟收敛,算法的寻优能力和收敛速度得到了极大的提升。（2）代码膨胀是GP演化的必然结果,该现象会导致算法耗费大量计算资源,降低解的可解释性。针对膨胀问题,本文以CMGP思想为基础提出了一种基于聚类匹配的遗传规划膨胀控制算法（Genetic Programming Bloat Control Algorithm Based on Clustering Matching,CBGP）。CBGP在维持种群多样性的基础上提出了新的聚类方式,新的聚类方式有助于避免冗余节点的进一步演化。为避免异常个体影响GP优化性能,CBGP提出适应值库替换算法（Fitness Library Replace,FLR）。通过动态更新的适应值库,CBGP优化了种群的个体结构。此外,针对破坏性交叉,CBGP改进了CMGP的匹配公式,减小了产生破坏性子代的可能。通过在基准问题上进行多个对比实验,结果表明CBGP可在维持优化性能及收敛速度的同时有效缓解膨胀问题,减少计算资源的消耗。综上所述,针对早熟收敛及代码膨胀问题,本文以种群多样性为出发点提出了不同的GP改进算法,验证了其优化性能。通过维持种群多样性,算法提高了产生优良子代的可能,不同的个体选择策略则有效的避免了无效交叉,优化了个体的结构。此外,分类实验中的良好性能表明本文所提算法具有较好的实用价值。