遗传算法作为一种新的智能优化算法，由于其通用性强，不受具体问题类型的限制，并行处理搜索空间，速度快，高效实用,不受搜索空间是否连续,是否可微的限制等优点，为实际工程生产中的优化问题提供了一个通用的解决算法。目前，遗传算法已经在图像处理、自动控制、模式识别、函数优化、数据挖掘、规划设计、机器人学以及社会科学等众多领域中得到了广泛的应用，并取得了良好的效果。本文首先详细介绍了遗传算法的理论知识，阐述了遗传算法的原理以及实现方法，并分析了基本遗传算法存在的不足之处。例如：收敛速度慢，早熟性收敛，以及易于陷入局部最优解等缺陷。然后，文章详细介绍了小生境遗传算法，包括小生境遗传算法的理论基础，小生境遗传算法在实际应用中的分析，并提出了小生境遗传算法的不足之处。为此，本文在小生境遗传算法的基础上，引入了隔离技术以及自适应算子，形成了一种基于隔离技术以及梯度算子的小生境遗传算法。并将其应用到函数优化问题中，理论及实践均表明，新的改进算法在多峰函数优化问题中确实优于基本小生境遗传算法。该算法的主要优点如下：1.采用隔离技术。依照自然界的地理隔离技术，将初始群体隔离成几个子群体，各个子群体独立进化，互不影响。各自进化的程度及其规模取决于各子群体的平均适应度。隔离后，可以对各个子群体的进化过程进行单独灵活地控制。2.本文采用了改进的适应度函数，目的是为了加快收敛速度。3.本文引入了新的优化算子------自适应算子。自适应算子使得交叉概率和变异概率随着种群适应度的变化而变化，从而克服了遗传算法中交叉概率和变异概率不变的缺点。