遗传算法(Genetic Algorithm,GA)是模仿达尔文“优胜劣汰”的进化论法则发展而来的一种启发式群智能算法。它直接对结构对象进行操作,对目标函数没有限制性要求,具有较高的鲁棒性和全局搜索能力,可扩展性强。遗传算法适合于高度非线性优化问题的求解,可以在复杂的多维空间中搜索全局最优解,因而获得了广泛应用。但是,与大多数演化算法类似,遗传算法的线性选择策略使得算法的选择压力过大,导致搜索过程中种群多样性丧失,容易陷入局部最优。针对这个共性问题,本文以遗传算法为典型例子,在热力学遗传算法TDGA的启发下,将遗传算法的进化过程和非平衡热力学状态下体系的变化过程进行类比,研究了基于热力学原理的选择策略。(1)在种群进化过程中,引入热力学非平衡定态下的最小熵增原理,提出了一种基于最小熵增原理的热力学选择策略,使个体的选择不再完全依赖于适应值的大小。在目标函数值空间内定义了个体密度,以度量种群多样性。首先提出了一种基于贪婪热力学选择机制的选择策略,但时间复杂度较高。为了降低时间复杂度,根据熵产生的可叠加性提出了一种基于分量热力学替换机制的选择策略,将种群熵产生分派到每个个体上,直接对个体熵产生进行排序和筛选,使选择过程具有线性时间复杂度。(2)将以上的两种选择策略应用于遗传算法的改进中,并分别在简单背包问题和数值函数测试问题上从多个角度对这两种策略进行了验证分析,实验结果表明,运用非平衡状态下热力学的最小熵增原理,能使种群在保证收敛速度和精度的同时保持多样性,可以有效避免种群陷入局部最优,也验证了分量热力学选择机制有较高的计算效率,可降低时间复杂度。(3)为了验证基于最小熵增原理选择策略的普适性,同时进一步验证该选择策略在多样性保持上的可靠性,又将基于最小熵增的分量热力学选择机制应用于多目标遗传算法的改进中。为了更准确地计算个体密度,使用核函数密度估计对目标空间中的个体分布状态进行拟合。利用非支配排序对种群进行分层,借助最小熵增原理保持种群多样性。最后通过在简单二目标测试问题(包括ZDT系列问题和MOP系列问题)上进行实验验证,实验结果表明了,基于最小熵增原理选择策略在多目标优化问题上的适用性,尤其是在种群多样性保持上的有效性。