在环境试验设备实际操作实践中，很多参数优化问题是多参数和非线性的，且往往还伴随着不可微和参数耦合问题。这时用传统的优化方法解决这种问题效率很低，有时甚至得不出结果。遗传算法的强鲁棒性和有效性为解决这类问题提供一种有效的途径。
遗传算法的特点在于，在模拟自然界生物进化过程中，应用了自然界的进化规律，染色体的交叉，变异的现象结合自然选择过程使得物种不断向前进化。遗传算法也因此显示出了顽强的生命力并且越来越受到重视。但遗传算法作为一种随机搜索算法也存在着一些缺点，其中最主要的问题是未成熟收敛（Prematureconvergence PC）问题和进化后期搜索效率下降问题。

在下文中将根据如何解这两个主要问题改进标准遗传算法，从而形成自适应遗传算法。但在此之前首先要明白什么是未成熟收敛，及其形成的原因。未成熟收敛现象是遗传算法中特有的现象，且十分常见。它指的是，当还未达到全局最优解或满意解时，群体中不能再产生性能超过父代的后代。其主要特征是种群中个体结构的多样性急剧下降。
产生未成熟收敛的主要原因有：
一 理论上考虑的选择、交叉、变异操作是的，它们之间相互协调，能搜索到整个解空间，在时间趋于无穷时以概率一收敛到最优解。但实际过程中，有些问题的求解要求满足一定的快速性，因此不可能等到时间趋于无穷便要求系统给出当前最优解，所以很难达到理论上的要求。
二 遗传算法处理的种群的规模是有限的，因而存在随机误差。它主要包括取样误差和选择误差。由于染色体在遗传操作中只能产生整数个后代，在有限规模的种群中，模板的样本不可能以任意精度反映所要求的比例，这是产生取样误差的根本原因。加上随机选择的误差就可以导致模板样品数量和理论预测值有很大差别。随着这种偏差的积累，一些有用的模板将会从种群中消失，有害的模板可能会保留下来，从而引起遗传漂移，最终导致算法效率降低。
三 所求解的问题是遗传算法的欺骗性问题。当解决的问题对于标准遗传算法来说比较困难时，遗传算法便会偏离寻优方向，这种问题被称为遗传算法欺骗问题。
上述三个方面都有可能产生未成熟收敛现象，使得种群中个体结构多样性过早的丢失，从而使算法陷入局部极值点。http://www.zhsysb.com