遗传算法是一种自适应全局优化概率搜索算法,具有简单通用、不依赖问题的具体领域和对问题种类有很强的鲁棒性等特点,所以在很多领域得到了广泛的应用。在遗传算法的诸多应用中,发现遗传算法还存在一些问题,最主要的两个问题是遗传算法易发生早熟现象和局部搜索能力弱而导致的求解精度不高及求解效率低。虽然已有很多改进,但大多数的改进都有针对性和局限性的,普适性较差,两个问题兼顾的算法更是不多见。因此如何解决这些问题,提高遗传算法的优化效率,对于它的实际应用显得十分必要。通过查阅相关的资料获知,遗传算法易早熟和局部搜索能力弱的问题是全局搜索和局部搜索这对矛盾所导致的,而捕食搜索策略能够很好地平衡这对矛盾。但是捕食搜索策略只是一种策略,并没有具体的搜索方法,因此,本文利用捕食搜索策略的思想对遗传算法进行改进研究。在全局搜索中,提出一种基于信息熵的遗传策略,即利用当前实际种群熵与当前期望的种群熵的差值来自适应地改变选择压力、交叉概率和变异概率,以达到调整种群的多样性、改善早熟现象的目的;在局部搜索中,采用缩小算术交叉参数的范围和高斯变异的策略,以达到提高局部搜索能力的目的。为了更好地测试改进后的算法,本文选用了四个具有不同数学特征的复杂函数。通过对这四个函数的测试,结果表明该方法不仅可以避免早熟现象,而且在搜索质量及搜索效率方面都有所提高。然后,将采用捕食搜索策略的遗传算法(PSGA)运用到支持向量机(SVM)参数的选取中,将SVM的三个参数(宽度系数σ,不敏感系数ε,惩罚系数C )作为编码变量,以实际运用中的寻优对象为目标,进行PSGA寻优迭代。最后将PSGA运用到SVM对谷氨酸发酵过程建模中,仿真结果表明,该方法可以寻优到有效的SVM参数,使得建立的谷氨酸发酵过程模型具有较好的预测效果。