遗传算法最早是由美国密执安大学著名学者J.H. Holland教授在研究自然界自适应现象的过程中提出来的,其基本的思想源于达尔文进化论中“适者生存,优胜劣汰”。它是一类基于自然选择和群体遗传学机理的有效的随机搜索方法,适用于求解大规模、非线性、不连续、极多峰函数的优化问题,具有简单通用而且有较强的鲁棒性等特点,可以进行一系列的并行处理运算,已成为人工智能领域的一个重要的研究分支。然而遗传算法也存在收敛速度慢、容易出现早熟等缺点,因此,针对遗传算法存在的不足进行改善,使算法的性能得到优化进而扩大其应用的领域,这一操作具有重要的理论和实际价值。　　论文的主要工作如下:　　(1)对遗传算法进行了详细的介绍,包括遗传算法的仿生学基础、基本概念、要素、理论基础、运行过程、特点和它的相关应用领域。　　(2) PID控制方法是目前为止发展最早的控制方法之一,不光是因为其简单的结构、具有明确的物理意义,较强的鲁棒性,较高的稳定性,PID的成熟的应用经验也使得其能够广泛地应用于各种工业过程控制之中。PID控制器的参数性能决定着它控制的效果,也决定着工业设备能否高效可靠地运行,早期的PID参数整定是靠手动的,又费时又繁琐。随着工业自动化的普及,参数的整定被逐渐地提上日程。本文设计了一种基于改进遗传算法参数优化的 PID控制方法,该算法采用的是小区间生成的初始种群策略、自适应改变的交叉和变异概率,最优保留策略和竞争策略等来减小算法陷入局部最优的可能性,提高算法找到最优解的能力。采用Ziegler-Nichols法,基本遗传算法和改进的遗传算法分别对二阶滞后系统进行PID控制器参数优化,经过Matlab仿真发现,改进的遗传算法算法具有更好的控制效果,证明了该算法的有效性和可靠性。　　(3)车辆悬架系统是汽车的重要组成部分,它把车体和车轴连接起来,使他们之间具有一定的弹性。除了传递汽车在行驶过程中路面与车轮之间的摩擦力,悬架的作用还包括吸收和缓冲来自车轮的振动,以及外界的其他扰动对车身的冲击,以保证汽车行驶的平顺性和操纵的稳定性。主动悬架系统的控制目标是获得良好的行驶平顺性和操纵稳定性,传统的控制理论和方法很难将其性能完全发挥。一些新型的控制方法也逐渐地显现出来。本文将一种新的遗传-粒子群优化算法应用到主动悬架的控制中,该算法将PSO算法快速的局部搜索的能力与遗传算法的全局搜索的能力相结合。具体的设计为将混合算法分成前期和后期两个阶段:在进化的前期,充分地利用了遗传算法强大的全局寻优能力,让种群能在可能的搜索空间中去获得尽可能大的搜索范围,降低陷入局部最优的可能性。在进化的后期,将混合优化算法改为加强社会认知的 PSO优化算法,利用其加强了局部搜索能力来提高算法的局部发掘能力,从而提高后期算法的优化效率。将该遗传-粒子群优化算法应用到汽车悬架的控制系统当中,同时在Matlab上做仿真,仿真结果表明相对于被动悬架和LQG控制的悬架性能,用遗传-粒子群优化算法能取得良好的控制效果。