遗传算法是一个以适应度函数(或目标函数)为依据，通过对群体个体施加遗传操作实现群体内个体结构重组的迭代过程。在这一过程中，群体个体(问题的解)一代一代地得以优化并逐渐逼近最优解。遗传算法模拟的是自然界生物优胜劣汰进化过程。但是，作为一种智能搜索算法，它的本质内涵是什么?更具体地讲，遗传算法所依赖的基本遗传操作，即选择、交叉和变异算子何以能使遗传算法体现出其它算法所没有的鲁棒性、自适应性和全局优化性等特点? 目前，人们普遍认为，GA算法之所以高效且具有强鲁棒性，是因为遗传算法中有“模式定理”、“建筑块假设”和“隐并行性”性质成立之故，于是到目前为止，这三个性质被看作是遗传算法理论的基石。然而，分析研究表明，这三个性质有明显的不足之处，故进一步对遗传算法机理进行深入地研究具有重要的意义。本文对遗传算法的动态演化过程进行了深入而系统的研究，所取得的主要成果如下： 1)提出种群进化力的概念。得出选择算子只能在初始种群中进行，不断重复选择算子的结果仅仅可以在初始种群中找到最大值，对于种群之外更好的个体是不可能被选择得到的，即在选择算子的作用下，种群进化力η<,s>=0；得出交叉保和是遗传交叉的重要性质，交叉保和的本质是对搜索空间的划分，搜索空间的大小由父代个体的和c确定；进而得出新的遗传算法机理解释：遗传算法是一个具有定向制导的随机搜索技术，其定向制导的原则是，导向具有高适应值的父代个体的和c所决定的“家族”方向。在这种理解下，为提高算法的效率，就是要在具有高适应值的父代个体的和c所决定的“家族”方向上搜索出更好的样本。 2)提出了一种有向交叉遗传算法。从遗传算法的机理出发，得出任何一种交叉操作都无非是在以其父代个体的和c决定的“家族”中寻找一个适应值高的后代。现有的交叉算法，如二进制交叉和十进制交叉，都只能保证所求到的后代落在上述的家族中，而无法保证所求到的后代适应值较高。针对上述问题，提出了一种新的交叉-有向交叉算法，该算法不仅注重了个体中基因的有效遗传，而且强调种群或个体层次上的行为进化。从理论上看，该算法更符合遗传算法的机理，从效果上看，无论在求解精度还是在收敛速度上均有数量级的提高。 3)提出了一种基于在线遗传优化的自协调多模态控制方法。该算法通过加权处理，综合了模糊控制和比例积分控制的长处，使系统具有了较快的响应速度、较高的控制精度；通过采用遗传算法对加权因子的在线优化，实现了模型的自协调控制，消除了由于模型切换而引起的系统振荡。该算法设计过程简单、意义清晰。仿真结果表明，该方法缩短了过渡过程时间、提高了系统的稳态精度。 本文的研究工作对促进遗传算法本身的发展以及遗传算法在自动控制领域的应用研究具有积极的意义。