Рассмотрена проблема повышения эффективности генетических алгоритмов оптимизации за счет применения методов самонастройки, которые изменяют параметры и поведение алгоритма в процессе поиска решения. Приведен обзор актуальных и наиболее эффективных методов самонастройки и адаптации, в рамках которого выделены их преимущества и недостатки. Предложен новый алгоритм, позволяющий объединить лучшие стороны отдельных методов. Он представляет собой расширенную версию SHAGA с усовершенствованной процедурой скрещивания, которая позволяет адаптировать его интенсивность, применять селективное давление на данном этапе и использовать многородительское скрещивание. Предложены различные варианты оператора скрещивания и метод самоконфигурирования генетических операторов на основе SelfCEA, который динамически корректирует вероятности их применения в зависимости от успешности. Предложенный алгоритм протестирован с применением статистических критериев для проверки значимости различий результатов и сравнения с другими подходами в задачах оптимизации с вещественными и булевыми переменными. В результате тестирования новый генетический алгоритм продемонстрировал более высокую эффективность и значительное улучшение надежности в большинстве тестовых задач