传统优化算法能够充分利用问题本身所提供的信息与邻域知识,在搜索空间中从一个初始点按照某种确定的原则去寻找下一个迭代点,搜索过程具有针对性,而且收敛速度快、局部寻优能力强。遗传算法是模拟生物在自然环境中的进化过程而形成的一种全局优化概率搜索算法,其搜索过程是从一群初始点开始搜索,具有很强的全局寻优能力。但是遗传算法随机性较强,使其存在易产生早熟现象、陷入局部极值点、局部寻优能力差、进化后期收敛慢等缺点。针对遗传算法在处理复杂多峰函数优化问题时易于早熟和局部搜索能力差等问题,本文将几种传统搜索算法与遗传算法按不同策略结合,组成多种传统Memetic算法,通过数值实验,验证了算法的高效性。不同的局部搜索算法对同一问题的优化效率差别很大,导致传统Memetic算法的通用性不强。针对这种情况,本文提出了一种基于分散度的自适应Memetic算法(Diversity-based Adaptive Memetic Algorithm, DAMA),该算法根据局部搜索算子的优化效率自动选择每代个体的局部搜索算法。数值试验表明,相对传统Memetic算法,该算法的通用性更强,效率更高。为进一步提高算法效率,本文在matlab环境下实现了DAMA算法的并行化。最后本文将所提算法应用到翼型和机翼的气动优化中并取得较好的结果。