在自然界物种间的关系中，捕食理论作为生态学的一个元素，起着推动个体进化、维持生态系统平衡这样非常重要和基础性的作用。将捕食理论与人工智能相结合，使捕食理论不仅仅停留在理论研究阶段，也成功应用到现实生活中，推动人工智能的发展。已有的捕食搜索算法只是对动物捕食行为简单的模拟，缺乏地域性，因此对捕食相关算法的研究具有重要意义。元胞遗传算法（CellularGeneticAlgorithm,CGA）的空间重叠结构可以增加种群多样性，在一定程度上抑制算法易陷入局部最优的缺点，但元胞遗传算法个体的生死状态与其适应度无关，可能导致算法最优解丢失，这是与自然进化不相符的，因此如何使元胞遗传算法能更好的模拟自然进化过程是目前急需解决的问题。元胞遗传算法和捕食系统都是多学科相融合，都是具有很高实用价值的研究领域，已被广泛的应用到多个领域，但是两者的结合是一个具有挑战性的全新的研究课题。本文从捕食系统和元胞遗传算法相结合的角度出发，结合欺骗问题、数值优化等多个复杂的实际问题，对捕食系统进行深入的研究。主要内容包括以下几个方面：（1）捕食问题是研究分布式系统中多智能体的合作与协调的理想问题，尽管它不能完全描述真实世界的复杂问题，但是它能够使得许多概念具体化，从而使一些复杂问题简单化。本文通过模拟生态系统捕食与被捕食之间的相互关系，用捕食机制替代元胞遗传算法中的演化规则，使得遗传个体生存与死亡状态在演化同时与其适应度和邻域内捕食与被捕食个体密度相关，并通过群体规模控制策略维持捕食与被捕食群体间的个体数目动态平衡，实现全局搜索与局部寻优之间更好的协调与均衡。本文对典型的多峰函数进行优化的实验结果表明，新的算法在抑制早熟收敛并提高全局收敛率方面获得了明显的优势。（2）在进化算法中，选择压力被定义为最优个体和最差个体被选择的概率之比，它可以增加最优个体在下一代的生存机会。选择压力过大，会导致算法不能收敛；过小，可能导致算法陷入局部最优。因此保持适当的选择压力是使算法具有优异性能必须要考虑的一个重要问题。本文在对捕食机制下的元胞遗传算法研究的基础上对算法的选择压力进行了研究及实验仿真，并通过对改进算法的参数进行调整以达到对算法选择压力的调整。对于不同的参数，算法就会产生不同的增长曲线，通过对比这些曲线观察选择压力是怎样随参数变化而变化，总结出选择压力变化规律。（3）利用选择压力随参数变化规律，改变算法参数以达到调整选择压力的目的。最后通过对选择压力的研究，提出了一种自适应的改进算法。算法通过自适应的调整算法参数来调整算法的选择压力，从而可以寻求全局探索和局部寻优之间的最佳平衡点，使算法达到最佳效果。实验使用3个典型的测试函数对算法性能进行测试。对于复杂的二维多峰函数，算法可以得到较优的效果。对于高维函数，算法也都能快速的找到全局最优解。结果表明算法具有维持群体多样性、求解稳定性好、具有较强的抑制早熟收敛能力和全局收敛率高等优点，算法是可行的。