许多经典的优化方法和实用软件已经被开发出来了，其中大多数是非常有效的，特别是解决实际问题时。然而，找到一个全局的优化系统是困难的。为了克服这个缺点，已经开发出了许多搜索算法寻找一个全局最优解。其中最常用的方法是遗传算法（GA）[ 1，2 ]。遗传算法是进化计算领域中的一种技术，它是一种功能强大且综合的全局优化方法，它不需要传统的搜索技术的线性连续解，而是允许在解的取值空间中出现非线性和不连续性。遗传算法可以处理各种目标函数和在离散、连续、混合搜索空间中定义的约束条件。但是，全局性访问的遗传算法需要一个计算随机搜索。所以，精确解的收敛速度很慢。此外，为一个大的问题的染色体编码将是非常长的，以便得到一个更准确的解决方案。这将导致在一个大的搜索空间和巨大的内存需求下的计算。为了克服这些缺点，许多研究人员已经研究开发了许多结合了遗传算法与其他算法的混合遗传算法[3-6]。这些可以节省计算时间，并找到所有它能找到的全局解决方案。因此，新算法的定位是得到更好的精度和更快的收敛速度，，为复杂的且巨大的结构，比如船舶找到一个最佳的解决方案。文献综述

响应面法（RSM）[ 7 ]是一个优化的工具，是由博克斯和威尔逊[ 8 ]介绍的。这是一个统计和数学技术的集合，有助于发展，改善和优化过程。采用这些技术来估算优化函数，并找到搜索方向的域的子区间，以提高找到最优的解决方案的希望。单纯形法（SM）是一种无导数的优化方法，它使用涉及单形[ 9 ]的搜索规律。对于无约束的目标函数，这众所周知的技术已经被证明是备受欢迎的。禁忌搜索（TS）是一种最初为解决组合优化问题而开发的元启发式算法。从格洛弗[ 10，11 ]第一次的报告开始，许多在这方面的研究已经出现了，比如有随机移动的约束优化问题[ 12 ]。

在这项研究中，对高精度、高速度的多峰函数最优解的搜索，提出了一种新的混合进化算法，结合当下流行的算法的优点，如遗传算法、禁忌算法，响应面法和单纯形法。这个算法采用响应面法和单纯形法，来提高收敛速度，改善这个被认为是遗传算法的缺点的问题。虽然突变遗传算法提供了多种随机变化，但是系统化的保障还是得使用一个禁忌算法的禁忌表。特别在初始阶段，遗传算法的收敛速度是可以采用通过遗传算法处理获得目标函数的信息的响应面法，然后进行响应面（近似函数）的改进和优化。一个没有赋值的额外的实际目标函数的最佳的解决方案可以被计算得出，并且遗传算法的收敛速度可以提高。这种方法的效率通过应用传统的功能测试和与遗传算法的结果相比较被证明了。它也证实了该算法是有效的搜索全局最优解的算法，当它应用在避免最小重量化的淡水舱位于船体后部产生共振的问题上。