遗传算法作为一种通用性好、鲁棒性强的启发式随机化搜索优化算法,广泛地应用于自动控制、组合优化、图像处理、机器人、人工生命、机器学习、人工智能和工程设计等领域。尤其是当搜索空间很大、非常复杂或对问题领域的先验知识很少时,使用经典搜索工具如枚举法、启发式方法等不适宜的情况下,遗传算法提供了一种效率高且有效的求解问题的合理方法。本文首先较全面系统地介绍了目前国内外研究者在改进遗传算法搜索性能方面进行的研究工作和取得的研究成果。接着提出了一种基于个体相似度的遗传算法,新算法对标准遗传算法产生子代个体(交叉和变异)的策略进行了修改,其基本思想是:当两父个体相似度较低时执行交叉操作产生子代个体,父个体相似度较高时则采用变异的方法产生子代个体。这样,一方面交叉产生的优秀子个体将不经变异直接与其它子个体(交叉产生的其它个体以及变异产生的个体)竞争而得以生存下来,而在标准遗传算法中,交叉产生的优秀个体再历经变异,极有可能在变异过程中遭到破坏而成为非优秀个体,从而影响算法的收敛性及收敛速度;另一方面又避免了高相似度个体进行交叉而导致种群多样性的丧失,从而一定程度上能抑制早熟收敛现象的发生。使用此改进的遗传算法对多个 Benchmark 测试函数在计算机上进行模拟求解,将之与采用普通交叉变异策略的遗传算法的计算结果进行了对比,证明该算法的有效性。然后将基于个体相似度的遗传算法应用于图的度约束最小生成树构造问题,取得了令人满意的结果。最后针对实数编码提出了一种通用的基于决策变量的复合交叉算子,并将之用于多目标优化问题的求解,实验证明使用复合交叉算子的算法对于多目标优化问题求解非常有效,一定程度上解决了高维多目标优化问题在用遗传算法求解时收敛性差这一难题。