遗传算法是模拟生物界的进化过程而产生的一种现代优化算法，作为一种有效的随机搜索方法，在优化方法中具有独特的优越性，有着非常重要的理论意义和广泛的应用领域。传统优化方法对目标函数解析性质要求较高，进化算法不需要目标函数的导数信息，具有隐式并行性，所以常用于一些复杂的、大规模的、非线性、不可微的求解优化问题。 本文介绍了遗传算法的发展概况，通过实例分析了基本遗传算法的实现步骤；对遗传算法的理论基础进行了分析讨论，包括模式定理，积木块假说，内在并行性，Walsh模式变换和欺骗问题等：对典型和近期发表文章所提出的一些改进策略作了总结和分析比较：提出了对遗传操作算子的改进策略，在具体问题中结合相应的特点再做相应的改进，通过线性规划问题、组合优化问题等算例的验证，结果表明算法是有效的，得到了较好的结果，同时也提高了算法的效率。还对遗传算法的并行化实现进行了研究，理论分析和实例计算的结果说明并行遗传算法有效的提高了全局搜索能力和局部快速搜索能力，提高了遗传进化效率，对于改进SGA的缺点是十分有效的。 多目标优化问题一直是科学和工程研究领域的一个难点和热点问题，在遗传算法应用到这一领域以前，已经产生了许多经典的方法，但在处理一些大型、复杂问题上存在着不足，遗传算法正好能弥补这个不足。在具体问题上，遗传算法与多目标优化问题的结合中最关键的问题是如何在种群中通过多个目标来评价个体的好坏。本文介绍了多目标优化问题的基本概念和实现步骤，探讨了多种采用遗传算法的实现方法并比较了其优缺点，表明了遗传算法用来解决多目标优化问题的有效性。