遗传算法是借鉴生物的自然选择和遗传进化机制的一种全局优化自适应概率搜索算法，由于其具有原理直观、易于实现、应用效果明显等优点而被众多领域所接受，得到了广泛的应用。然而，标准遗传算法（SGA）并不能保证全局最优收敛，用遗传算法求解大规模复杂的实际问题时常常发生早熟收敛现象。所以，如何抑制过早收敛现象的产生成为遗传算法研究的主要课题之一。针对不同的优化问题，SGA需要反复实验来确定交叉概率（P ）和变异概率（P ），繁琐且很难找到适应于每个问题的最佳值。普通自适应遗传算法(AGA）对于群体处于进化初期不利，容易增加了进化走向局部最优的可能性。本文即针对SGA和AGA的这一缺点，进行了详细和深入的研究，提出了一种改进型自适应遗传算法，并详尽的阐述了这种算法的流程。 基于当前代种群中的最优个体应该保留，但较优个体要对应于更高的交叉概率和变异概率的思想，本文提出了一种综合考虑了“快速收敛”和“全局最优”这两个要求的改进的自适应遗传算法。并采取最优保存策略来保证最优个体不被大的P 和P 破坏掉，也采用无放回余数随机选择算子（RSSR选择算子）对基本选择算子进行了改进，选择误差比较小。 本文的创新点是借助神经网络中构造神经原激活函数最常用的sigmoid函数之一（双曲正切函数）构造了新的P 和P 的计算公式，对其进行了优化，使它们依照个体的适应度在平均适应度和最大适应度之间随函数曲线进行非线性自适应调整。 改进型自适应遗传算法能够在优化过程中自动给出比较合适的交叉概率和变异概率，从而显著提高了搜索效率和鲁棒性，并且在保持群体多样性的同时，保证遗传算法的收敛性。通过对一系列典型复杂多模态函数进行优化计算和对比实验，证实了了算法的有效性及优越性。