遗传算法是一种优化仿生的随机搜索算法,模仿了自然界中生物进化的方法来解决数学问题中的最优化问题。遗传算法具有以决策变量的编码作为运算对象和直接以目标函数值作为搜索信息避开函数求导问题等优点,并且随着计算机技术的发展和MATLAB、SAS等软件的不断完善,遗传算法开始得到越来越多国内外人士的关注,并广泛应用于程序化生成、人工神经网络训练、机器学习等一系列超大规模不连续、非线性、多峰函数的优化问题。与一些经典数学方法相比,遗传算法还属于一类新兴学科,许多地方还存在问题等待学者们从理论以及实现方法上不断的完善。　　本文针对基本遗传算法存在的缺点提出了相应的改进：⑴引入了新的适应度函数,利用一个平滑适应度函数的数学技巧来保留适应度更高的个体,平滑掉适应度低的个体来减少那些只能取得局部极值的个体,提高找到全局最优解的效率；⑵对Srinivas提出的自适应遗传算法中Pc和Pm自适应公式的交叉和变异概率进行了改进,引入了局部和全局交叉变异的权重,进而更好的从全局来调整交叉和变异概率来提高最优解的质量。最后利用改进的自适应遗传算法使用MATLAB来对期货交易指标中的MACD、BOLL和RSI指标进行结合优化处理,建立了程序化交易模型,测试模型结果表明改进的自适应遗传算法的收敛速度和解的最优性都优于自适应遗传算法。