自然界中生物对其生存环境具有优良的适应性,各种物种在一种竞争的环境中生存,优胜劣汰,使得物种不断进化。进化计算是对自然界中生物进化的模拟。人类作为生物界中进化的佼佼者,之所以能超越其他生灵,是因为人类具有超出长物的学习能力,能够完成获取知识、记录知识、应用知识的活动。机器学习,就是要使计算机能模拟人的学习行为,自动地通过学习获取知识和技能,不断改善性能,实现自我完善。归纳学习(Induction Learning)、范例推理(Case-Based Reasoning, CBR)是机器学习中发展较为成熟的技术,已经被广泛地研究和应用。模拟人类进化机制,将传统的进化计算与机器学习相结合,无疑为提出智能成都更高的进化计算体系另辟蹊径。本文对这种结合形式进行了详细的描述和分析。文中首先讨论了归纳学习的发展概况,介绍了归纳学习中的决策树学习算法。接着介绍了范例推理的基本技术,即范例表示、范例检索、CBR修正、CBR维护等。对进化计算当中一个重要分支遗传算法的应用领域、以往的改进方式进行了详细的阐述,最后详细介绍De Jong在函数优化方面的研究工作。根据上述理论,本文说明了归纳学习在CBR中的新应用。决策树学习算法在范例检索、CBR修正、CBR维护中的应用。最后研究了归纳学习与范例推理的相结,并结合遗传算法在函数优化方面的应用,提出了基于归纳学习和范例推理的研究遗传算法种类选择和控制参数设置的实验模型,以及模型的构成和关键技术。