遗传算法(genetic algorithms,简称GAs)是一个重要的进化计算发展方向,它于20世纪70年代由美国Michigan大学的Holland及其学生首先提出,目前已成为一个多学科、多领域的重要研究方向.遗传算法因具有强大的全局最优搜索能力,问题域的独立性,信息处理的隐并行性,应用的鲁棒性,操作的简明性等诸多优势,已成为一种具有良好普适性和一定规模化的优化方法.该文主要立足于遗传算法的应用,完成了以下三个方面的工作:(1)基于遗传算法求解多步-多agent影响图决策问题.影响图是一种表示复杂决策分析问题中决策、不确定性和代价的新颖有效的图形工具,已被广泛应用于许多领域的决策分析和不确定性推理问题.单步影响图求解已得到有效的解决,但求解大规模多步影响图仍是一个比较活跃且具有一定难度的研究领域.该论文主要针对大规模多步影响图决策问题,给出了一种基于遗传算法的可行有效的求解方法.该方法是一种近似算法且很容易并行,并具有能够发现多个较优解的优势,同时避免了现有解决方法存在的一些缺陷.此外,论文引入博弈理论来分析复杂多agent环境下的决策,这对于一些复杂的现实决策问题具有现实意义,也是论文的创新之处.(2)基于遗传算法求模式的最优特征子集.特征提取广泛应用于模式识别、知识发现、机器学习等诸多领域,并受到了越来越多的关注.对于一个给定的模式,特征提取要求我们从该模式包含的大量特征中选取一组特征(最优特征子集),以准确或较为准确地代表该模式.该文对特征提取这一组合优化及多目标优化问题提出了基于遗传算法的解决方法,论文并未针对某种特定的模式,而是把遗传算法作为识别或分类等系统的"前端",旨在找出代表模式空间的最优特征子集,以降低模式的表示复杂性及对其分类和识别的代价,提高搜索效率.(3)基于遗传算法求取最小集中网站.信息的日益膨胀受到了越来越多的关注,信息检索作为搜索信息强有力的工具,正发挥着越来越重要的作用.提高网络搜索效率、改善搜索性能,已经成为了一个迫切需要解决的问题,集中网站的提出正为此提供了一个有效的途径.论文给出了一种用遗传算法求取集中网站的新方法,并通过实验仿真和实例比较,描述了该方法的优势所在.