种群规模的选择在进化算法的应用中十分重要。种群规模过大时虽然能够扩大搜索空间，提高找到全局最优解的概率，但是会减缓收敛速度，增加运行时间；种群规模过小又会导致搜索能力不足，无法找到更多的有效区域，对于复杂的多峰问题，还容易陷入局部最优，导致早熟收敛，降低了算法的健壮性和鲁棒性。事实上，在遗传算法的运行的不同阶段需求不同大小的种群规模。另外，保持种群的多样性对遗传算法的搜索过程也十分重要。高度的多样化不仅可以增加种群的搜索收敛，还使种群在面对环境变化的时候更加健壮。因此，本文的研究目标是创建和维持一个具有高适应度个体的多样化的种群规模动态变化的种群，能在种群中同时提高种群的多样性和适应度。　　本文的主要工作和成果如下：　　1.本文对进化算法的动态种群规模和多样性控制的现状进行综述，分析了目前流行的方法存在的问题和缺点，并提出了改进的方向和策略。　　2.针对进化算法求解高维多峰函数优化问题时，容易出现早熟收敛的问题，提出了基于精英个体的可变种群规模的遗传算法。相对于现有的先确定种群规模再产生相应数目的个体的情况，本文基于自然界生物进化中种群规模由子代个体质量决定的规律，采用了根据产生的个体的精英程度（多样性贡献和适应度）决定该个体是否进入种群的策略。　　3.针对问题的不同阶段需求的种群规模大小不同的问题，提出了根据算法的收敛程度动态调整多样性阈值的策略，提高了算法的鲁棒性。　　4.针对种群进化过程中多样性丢失导致算法易陷入局部最优值的问题，对种群规模动态调整过程中涉及到的个体存活概率的计算方法进行了探讨，提高了种群的多样性，防止遗传算法过早收敛。　　本文通过对十个难易程度不同的包括典型测试函数的仿真实验，分析了算法的有效性，实验结果证明，该机制能改进遗传算法的搜索精度。