目前,进化计算方法的应用已遍及组合优化、自适应控制、机器学习等众多领域,其理论研究主要在Holland提出的简单遗传算法基础上,针对计算精度、收敛性、早熟等方面进行一些改进,但值得注意的是这些理论和应用成果都是在确定问题的基础上提出的。而在实际的工作和生活中,总存在着客观的或人为的不确定性,比如模糊性、随机性、粗糙性等等。利用遗传算法对不确定型优化问题进行求解时,一方面个体的适应度不能表示为一个确切的实数值,因而难以进行精确的大小比较,也就不能直接采用常规的比例方式来建立个体的选择和复制策略;另一方面当优化问题的约束条件存在不确定性时,由于不能利用实数的全序关系来确定解的可行性,也就不能直接进行求解操作,这两方面的问题同时制约了遗传算法在不确定型优化问题中的应用。本文针对不确定型进化计算方法进行研究,主要包括不确定信息的排序,遗传算子的设计,算法的收敛问题,决策结果的不确定度量。首先针对工作效益是模糊数的指派问题,提出了水平效应函数的概念,并利用模糊数的IL-度量及LU-不确定度,设计了基于遗传算法的模糊指派求解方法,并在此基础上分析了其收敛性问题;其次针对工作效益是随机变量的指派问题,通过引入随机变量的风险临界值的概念,设计了基于遗传算法的目标风险临界值随机指派求解方法,并对决策结果的可靠程度进行分析;再次针对系数、变量、约束全模糊的一般优化问题,对模糊约束的认定问题,提出了模糊不等度的公理化体系,通过区分主、辅指标的方法,并结合模糊信息的复合量化描述以及条件约束的无条件惩罚转化策略建立了一类基于主操作和不等度的模糊遗传算法;最后针对系数、变量均为模糊数的模糊方程组,建立了基于水平效应的模糊度量模式,进而在分析模糊决策的本质特征基础上,建立了基于度量和不确定性限制的模糊方程组的求解模型,并结合遗传算法和模糊变量的主成分变化描述策略,给出了模糊方程组的求解方法,并从理论和仿真两个层面讨论了所设计的算法的性能。