20世纪70年代,美国密歇根大学的John H.Holland教授受达尔文生物进化论和遗传学机理的启发建立了遗传算法(Genetic Algorithm)的基本框架。该算法一经提出,就引起了学者们的密切关注并应用于众多领域,遗传算法的基本理论也逐渐完善。遗传算法解决复杂问题时,往往存在“早熟收敛”现象,导致算法性能降低,因此,如何克服遗传算法的缺陷,提升其在复杂问题上的性能是该领域的研究热点。复杂网络(Complex Network)是20世纪90年代兴起的新方向,它利用网络相关特性描述自然和社会存在的一些现象,用网络手段解释此类现象,建立对应的网络数学模型,进而可以分析、预测网络相关行为。复杂网络的研究成果为更有效地改进启发式算法提供了一个新的视角。本文对遗传算法的改进进行了研究与探讨,将遗传算法作为一个网络交互系统进行研究,运用复杂网络思想分析遗传算法,节点表示种群个体,连接表示个体之间的信息传输路径,提出一种基于改进BA网络的遗传算法,依照BA网络的网络结构改进传统遗传算法,同时对网络结构进行了一定改进,并改进了传统遗传算法的选择策略以及为了应对网络中节点的递增采用的种群规模自适应策略,通过数值实验验证了改进算法的性能。仿真结果表明改进算法对于不同类型的函数的寻优能力要优于基本遗传算法以及基于BA网络的遗传算法,其研究结果对于遗传算法的改进具有一定指导作用。约束优化进化算法是计算进化领域的一个重要研究课题,如何处理约束条件是关键问题之一。通过改进基础罚函数法,提出了一种与基于改进BA网络的遗传算法相结合的改进算法,对原有罚函数策略进行改进,提升了约束处理能力,通过数值实验验证了改进算法对于约束优化问题的处理性能,研究结果对于约束优化问题的处理具有一定指导意义。