遗传算法是模拟自然界生物化机制的概率性搜索算法，其优势在于可以高效的处理传统搜索方法难以解决的复杂的非线性问题。由于其不受搜索空间的限制性假设的约束，具有广泛的适应性、并行性等特点，目前被广泛应用于函数优化、机器学习、模式识别以及自适应控制系统等众多领域。 本文首先介绍了遗传算法的基本概念和理论，然后针对传统算法存在的早熟收敛和遗传算子无方向性的问题，提出了两种基于多种群的改进策略。第一种策略定义了一个可以感知进化方向、衡量进化速度的指标，并用该指标指导遗传算子做出自适应调整。该策略使用了“探索—开发”的种群划分方案，并在集群计算机系统上实现了基于该策略的并行算法。 第二种策略基于粒子群算法的思想，将粒子群算法与遗传算法混合，提出了一种新的具有自学习能力的变异算子和种群划分方法，同时对常用的算术交叉算子作了一些改进。通过对三个典型的多峰函数的优化进行算法验证，结果表明该策略有效可行。通过将该混合遗传算法用于解多根线性方程组，表明它也可以有效地解决传统方法不能一次求出所有方程根的问题。 最后，对所做的工作进行了总结，指出了算法的局限性以及将来的努力方向。