遺傳演算法（ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ，ＧＡ）是由美國Ｍｉｃｈｉｇａｎ大學的ＪｏｈｎＨｏｌｌａｎｄ教授在１９７５年首先提出的，它是一種模擬生物自然進化現象的優化演算法。隨後在１９８９年，Ｇｏｌｄｂｅｒｇ的著作對遺傳演算法做了更為全面而系統的總結，也由此奠定了遺傳演算法的基礎。
遺傳演算法借用了生物遺傳學的思想，以及自然界中的“物競天擇，適者生存”原則，將問題的解表示成“染色體”，通過模擬自然選擇、交叉、變異等操作，實現個體適應度的提高，不斷迭代，逐步尋找最優解（或次優解）。遺傳演算法在求解問題時，從一組隨機產生的初始種群開始搜尋。種群中一個個體（ｉｎｄｉｖｉｄｕａｌ）表示問題的一個解，稱為染色體（ｃｈｒｏｍｏｓｏｍｅ）。種群通過連續的迭代進行進化，每一次迭代操作產生一代（ｇｅｎｅｒａｔｉｏｎ）。在每一代中用適應度函式（ｆｉｔｎｅｓｓｆｕｎｃｔｉｏｎ）或目標函式（ｏｂｊｅｃｔｉｖｅｆｕｎｃｔｉｏｎ）對每個個體進行評價（ｅｖａｌｕａｔｉｏｎ），適應度值高的個體被選中的概率高。迭代過程的下一代稱為子代（ｏｆｆｓｐｒｉｎｇ），通過選擇（ｓｅｌｅｃｔｉｏｎ）、交叉（ｃｒｏｓｓｏｖｅｒ）、變異（ｍｕｔａｔｉｏｎ）等遺傳運算元產生子代。遺傳演算法有五個基本要素：編碼和解碼；種群初始化方法；適應度函式；遺傳運算元（主要包括選擇、交叉、變異等）；遺傳引數設定（種群規模、遺傳運算元的概率等）等。圖３．１所示為基本遺傳演算法的流程框圖。

假設Ｐ表示種群規模，ｔ表示當前代，Ｐ（ｔ）和Ｃ（ｔ）表示第ｔ代的父代和子代，那麼基本的遺傳演算法執行步驟如下。
步驟１按照一定的初始化方法產生初始種群Ｐ（ｔ），ｔ＝０。
步驟２評價種群Ｐ（ｔ），計算每個個體的適應度值。
步驟３判斷是否滿足終止條件，如果滿足則輸出結果；否則轉步驟４。
步驟４按照選擇、交叉、變異等遺傳運算元產生子代Ｃ（ｔ）。
步驟５Ｐ（ｔ）＝Ｃ（ｔ），轉步驟２，ｔ＝ｔ＋１。

遺傳演算法是一種通用的優化演算法，其編碼技術和遺傳操作比較簡單，優化過程不受限制性條件的約束，使它能夠在複雜空間中進行全域性優化搜尋，並具有較強的魯棒性。與傳統的優化方法相比，遺傳演算法具有以下特點。
（１）遺傳演算法是對問題引數的編碼即“染色體”進行操作，而非對引數本身進行操作的。進化過程中，只是在評價個體適應度值時需要使用問題的具體資訊，而其他部分並不需要了解問題本身的資訊，這使得遺傳演算法不受函式約束條件的限制（如連續或可微），設計簡單且適應性廣。

（２）遺傳演算法的搜尋過程是從問題的解的集合開始，而不是從單個解開始的，具有隱含並行搜尋特性。可將搜尋重點集中於效能高的部分，從而可以提高搜尋效率，並且減小了陷入區域性極小的可能性，易得到全域性最優解。
（３）遺傳演算法在問題解空間的整個搜尋過程中是在概率指導下完成的、有方向的啟發式搜尋，與窮舉或完全隨機的搜尋不同，因而具有較高的效率。在初始階段，等概率初始化保證了搜尋點均勻地覆蓋整個解空間；之後在適應度值的概率選擇，以及交叉、變異等概率的指導下，搜尋逐漸向適應度值高的區域集中，直到收斂到適應度值最高的區域為止