本文主要研究优化算法在一类反Stefan问题中的优化求解。文中首先介绍了常用的优化算法，并分析了它们的优缺点。然后介绍了本文要研究的反问题的目标函数。对于这个多元函数，若把变量进行线性化处理，它就会转化为一元函数，通过绘出该函数曲线分析了这个一元函数的性能。遗传算法GA是基于生物进化的一种全局优化算法，它把问题的解表示成“染色体”，按适者生存的原则，从中选择出较适应环境的“染色体”进行复制、交叉、变异以产生更适应环境的新一代“染色体”群。通过进化，最后收敛到最适应环境的一个“染色体”上，它就是问题的最优解。遗传算法求解中的难点是对“染色体”进行编码，本文采用了对优化而言最好的实数编码方式。在选择变异率时，为了不破坏已经得到的较好解，求解中采用了自适应取变异率的方法，即最大的适应度值配最小的变异率。粒子群优化算法PSO源于对鸟群捕食行为的研究。该算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。本文详细地讨论了算法参数，如粒子数、粒子最大运动速度、加速因子、惯性权值、迭代次数对求解的影响，找到最优参数组合后给出了目标函数的最优解。反Stefan问题多元函数求解结果表明，PSO和GA的求解精度高，但求解时间长。对线性化处理后一元函数本文也采用了不同的优化算法进行了求解，与多元求解结果相比，精度相对较低但求解时间却大大减少，本文认为对该类函数进行线性化处理是个可行的求解方案，尤其对求解实时性要求较高的情况，比如实时跟踪。比较各种算法求解效果后，本文提出了遗传算法+梯度法、粒子群算法+梯度的混合优化算法对本文的目标函数进行优化求解，遗传+梯度法的优化效果比单一遗传求解效果好得多。最后本文更换了仿真数据，验证了算法对该类目标函数求解的有效性。