基于匹配追踪算法的稀疏分解,通过寻找字典中与信号局部内积最大的原子,选择有限个原子来逼近信号,在信号压缩和特征提取等方面受到广泛的关注。但由于匹配追踪算法遍历式耗尽搜索使计算量过大而应用范围受限,本文为解决算法遍历性的耗尽搜索而导致寻优时间过长的问题,在遗传匹配追踪(GMP:Genetic Matching Pursuits)算法的基础上做了如下几个内容:第一,提出将比例选择、最优保存策略、排序选择相结合的选择算子改进方法。改进的选择算子首先通过最优保存策略保护最优个体来抑制排序选择或比例选择的随机性,然后重新设计概率表,进化初期采用线性概率以提高群体多样性;进化后期采用比例选择的概率来加快收敛速度。将改进的选择算子引入到GMP中,来抑制过早熟达到减少搜索原子时间的目的,通过人工合成信号和语音实际信号的仿真实验结果表明,这种改进选择算子的GMP,从迭代次数和搜索时间两方面的改进是有效的。第二,采用拉普拉斯交叉算子引入GMP来降低搜索最优原子的时间。拉普拉斯交叉算子首先根据父代群体拉普拉斯分布得到其密度函数并将其两个系数带入算术交叉算子中实现父代控制子代降低子代破坏优良个体的概率,以减少最佳原子的个数。仿真实验结果表明这种改进交叉算子的遗传匹配算法,在残差能量和搜索时间两方面的改进是有效的。第三,提出一种基于群体多样性控制变异概率的变异算子改进方法。该变异算子将群体多样性作为控制变异概率自适应改变的参数,首先计算出当代群体的多样性的值,变异概率与多样性成反比,群体多样性较高时,降低变异概率可减少对优良个体的破坏,群体多样性较小时,则提高变异概率可拓展新的搜索空间增强局部搜索能力。这种改进选择算子的遗传匹配算法分解语音信号‘a’,所用时间缩短了5.54%,仿真实验结果表明从搜索时间方面的改进是有效的。