利用演化算法解决实际问题已经成为一个重要的研究领域。在演化算法中,算法的停机条件是影响算法有效性的关键因素之一。若过早停机,则算法难以找到近似最优解;反之,若停机过晚,则算法会浪费大量计算资源。但是当没有可用的梯度信息时,通常不可能检查是否正式收敛或者检测是否达到最优标准。通过设置最大迭代次数或最大评估次数来确定算法是否停机的传统停机条件,需要事先对所求解问题和所用算法有深入的理解,因此难以适用于实际工程优化问题求解。本文主要研究内容包括:(1)分类总结了现有的演化算法停机条件,提供了演化算法在过去几十年关于停机条件研究的总结框图,从指标体系和停止决策两个方面对现有的演化算法停机条件进行了详细的分类介绍;(2)对六种比较流行的演化算法在线停机条件进行了分析和总结,分别在经典单目标算法、多目标演化算法以及测试函数上进行了实验,设计了能够客观评价停机条件效果的定量化指标,对实验结果做了简要分析并总结了各停机条件的适用范围、稳定性及优劣;(3)为解决在线停机条件的计算资源消耗问题,将在线停机条件与曲线拟合以及回归预测相结合,提出了基于预测的在线停机条件框架。本文通过实验验证了当演化算法停机条件与多种不同领域结合时,可以更好地平衡解的质量与计算资源之间的关系。