遗传算法在计算智能、人工生命、图像处理和模式识别等方面具有重要作用。加快遗传算法的收敛速度以提高算法的全局收敛性是当前改善遗传算法性能的主要方向。结合优化算法与启发式算法思想的混合遗传算法是提高其运行效率和求解质量的一个有效方法。本文对混合遗传算法的控制机理和应用进行了分析与研究,提出了几种新的混合遗传算法,给出了算法的理论分析,设计了算法的流程模型,并进行了仿真测试。本文的主要工作如下:(1)根据循环进化过程能够增强和保持生物种群的多样性,提出了一种采用循环策略的改进模拟退火遗传算法。算法将循环策略与模拟退火遗传算法有机地结合起来。理论分析和仿真测试表明,该算法不仅能够保证遗传算法的全局收敛性,而且还可以加快种群的进化速度并获得满意的全局最优解。(2)针对量子遗传算法解决多变量连续函数的问题提出了一种求解多变量问题的量子遗传算法。算法将多个变量集中作用于一个通用量子染色体上,从而动态地调整进化强度并依据旋转角生成函数确定进化方向。理论分析和仿真测试表明,提出的量子遗传算法对于求解多变量问题能获得较快的进化速度和较好的收敛效果。(3)根据量子染色体中的不同的量子位在量子染色体演化中的作用强度不同,并结合量子位势的概念,提出了一种基于量子位势的量子遗传算法。仿真测试表明,算法能够在较小的种群规模和较小的量子染色体长度下获得很好的收敛效率。本文描述了以上混合进化计算方法的设计思想与实现算法,并基于矩阵与Markov链理论分析其收敛性与计算效率,以DELPHI作为仿真实验设计工具,进行优化实验的仿真和分析。理论分析与实验结果表明,对于不同的优化目的,采用以上方法能有效改善传统遗传算法在计算效率或全局搜索能力方面的不足,扩展了其使用范围及效果。