遗传算法是模拟自然界生物进化和种群学习的优化搜索算法，具有搜索的隐并行性、进化的自适应性和不依赖于问题特性的鲁棒性。作为一种启发式适应性随机优化搜索算法框架，算法的应用和实现仅需要适应值函数，不需要依赖于问题特性的先验知识，对问题的数学模型无连续性和可微性要求，特别适用于求解大规模复杂非线性问题，被广泛地应用于函数优化、组合优化、人工智能和自动控制等领域。 通过实验结果演示遗传算法的漂移现象，借助于选择算子的马尔可夫链模型，从理论上分析遗传漂移现象和本质，通过吸收态和吸收概率分析，证明了随机选择导致遗传漂移和早熟收敛的必然性。介绍证明基本遗传算法有效性的模式定理和积木块假设模型。针对模式定理成立的参数条件未作限制的的情况，采用一种新的适应值计算模型，解析地分析模式定理成立的参数条件，为提高遗传算法搜索效率提供参数设置的理论依据。 系统地归纳了当前的小生态技术，比较了代表性小生态算法的技术特点。针对确定性排挤和概率排挤小生态技术的优、缺点，改进了排挤小生态遗传算法。聚类概率排挤算法通过扩大相似个体的搜索范围提高相似性判断的准确性，应用山谷函数分析多峰函数适应值曲面拓扑结构来确定个体的峰属性关系，并根据个体的峰属性关系和相对适应值大小确定替换策略。对共享、确定性排挤、概率排挤和聚类概率排挤小生态算法的遗传漂移抑制能力进行了广泛的统计测试，测试结果表明，聚类概率排挤小生态算法的各项性能指标均一致地、显著地优于其它小生态算法。