进化算法是一类通过模拟自然界中物种进化过程与机制来求解优化与搜索问题的一类自适应、自组织、自学习的人工智能技术。该算法基于这样的基本认识：“从简单到复杂、从低级到高级的物种进化过程本身就是一个自然的、并发的、稳健的优化过程”。进化算法是一类宏观意义下的仿生优化技术，基于达尔文的“物竞天择，适者生存”的进化论思想与孟德尔的“遗传变异”理论，来在寻优过程中产生和选择更好的结构。进化算法是一种变换启发(meta-heuristic)的搜索技术，因此其能在问题的解空间中进行大范围的全局搜索，从而降低搜索陷入问题局部极优值的概率。进化算法被广泛应用于工业制造、工业优化、动态优化、机器学习等研究领域。目前对进化算法的研究大多过分强调个体在进化过程中的作用，忽略了进化本身是一种群体的宏观行为，因此本文利用一种新的数学工具——隶属云模型来对进化过程中的种群进行描述，研究在进化过程中群体所呈现出的特性。针对目前对进化过程中个体能动性考虑不足的问题，本文提出了主动进化机制，同时本文也对进化过程中的个体进化轨迹进行了初步讨论，通过进化方向指导进化过程。本文的工作主要体现在以下几点：　　 ⑴物种进化过程是一种宏观行为，进化过程更多体现的是一种群体属性。因此本文利用隶属云模型作为数学工具，充分利用云滴群与进化过程中的种群、云滴与个体之间的相似性对进化过程进行描述，研究进化算法在进化过程中所呈现出的群体特性。　　 ⑵近代遗传学的研究表明生物在进化过程中不是盲目的、完全被动的、消极的，而是在进化过程中通过积极改变自身来参与进化过程。具体表现为个体的变异内容具有针对环境因素的适应性，即定向变异。本文认为：物种在进化过程中的积极主动性也能体现在个体的学习能力上，通过学习提高个体的适应度。本文基于学习操作，详细研究了物种在进化过程中的主动进化机制。　　 ⑶“进化”才是物种进化的最终目的。在进化过程中，物种总是向自身最优的方向前进。因此本文通过将这种进化轨迹用进化方向来刻画，通过对进化方向所具有的属性进行研究，从而指导物种的进化过程，提高进化操作的效率。本文通过一系列的优化实例对各种改进策略的有效性进行了验证。