遗传算法是模拟达尔文生物进化论的自然选择和遗传学的生物进化过程而发展起来的计算模型。作为智能优化算法的典型代表，遗传算法具有操作简单、全局搜索能力强、并行性和鲁棒性强等优点，对优化问题没有严格的数学要求，因此遗传算法被广泛应用于许多领域。但是，遗传算法也存在一些缺点，例如局部搜索能力差、易早熟等。　　DNA遗传算法是受生物DNA启发的新型遗传算法。本文在前人研究工作的基础上，对DNA遗传算法的改进进行了深入的研究。本文的主要研究内容如下:　　(1)提出了一种具有新型操作算子的DNA遗传算法，该算法采用了DNA编码方式，以及受DNA分子操作启发而设计出的置换倒位交叉算子、移码变异算子和重排变异算子，以达到提升算法性能的目的。通过对五个典型的测试函数的寻优和与其他遗传算法的结果对比，验证了该算法在收敛速度和搜索精度上具有更好的性能。　　(2)受蜂群繁殖行为和蜂群采蜜行为的启发，将分工协作思想和进化低位取补操作引入DNA遗传算法中，提出了一种基于蜂群行为的DNA遗传算法。该算法将种群分为两部分，通过分工协作来提高算法收敛速度和改善种群多样性，而进化低位取补操作用于提高算法的寻优精度。将所提出的算法用于求解重油热裂解模型参数估计问题，寻优实验结果验证了该算法的优越性。　　(3)提出了一种基于邻域搜索策略和相似剔除策略的bcDNA遗传算法，该算法通过在每一代最优解的特定邻域内产生一个新的种群来增强算法的局部搜索能力，同时在一定程度上也提升了算法的搜索精度。此外，采用相似剔除策略的是为了增加种群的多样性，避免种群在进化的过程趋向单一而导致早熟收敛。将该算法用于求解桥式吊车系统的RBF神经网络建模问题。实验结果表明该算法能够满足建立高精度的吊车系统模型的需求。