定义
遗传算法(Genetic Algorithm，简称GA)是模拟自然界生物 进化过程与机制求解问题的一类自组织与自适应的人工智能 技术，已广泛应用于计算机科学、人工智能、信息技术及工程实 践。相对于其鲜明的生物学基础，它的理论基础公认是不完善 的，这种不完善主要表现在没有完整的理论解释算法的机理， 缺少广泛而完煞的有关GA收敛性理论，这迫使研究者对GA 的理论作进一步的研究。
原理
GA是以自然选择和遗传理论为基础，将生物进化过程中 适者生存规则与群体内部染色体的随机信息交换机制相结合 的搜索算法。它在搜索之前，先将变量以某种形式进行编码(编 码后的变量称为染色体)，不同的染色体构成一个群体。对于群 体中的染色体，将以某种方法评估出其适应值。新一代群体的 产生是按下面两个步骤完成的：首先，根据染色体的适应值选 择被保留的染色体以及相应的复制次数；其次，对被选择的染 色体进行重组、变异，产生新的染色体。
步骤
GA的基本执行过程 如下：
(1) 随机选择N个初始点(称为一个群体，每个点称为一个个体)，X10，…，XN0，k=O。
(2) 计算每个个体的适应值,f(Xik)，i=1，…，N。
(3) 选择：从X1k，…，XNk中选择X’1k，…，X’Nk,且每个Xjk，j=1,…，N被选中的概率为P(X’ik,=Xjk|X1k：，…，XNk)=f(Xjk)/∑Nl=1f(Xlk)
(4) 重组：从X’1k，…，X’Nk中以相同的概率选出两个个体，这两个个体之间以事先给定的概率Pc执行重组运算，产生两个新个体，重复这一过程，直至形成新群体X’’1k，…，X’’Nk。
(5) 变异：变异运算根据一定的变异率Pm随机地对每个个 体的每一位改变它的值，形成新一代群体X1k+1，…，XNk+1。
(6) 检验停机准则满足否，如果满足则停止运算；否则令 k+1=k后，转(2)。
GA利用了生物进化和遗传的思想，所以它有许多与传统优化算法不同的特点：
(1) GA不是直接作用在参变量集上，而是利用参变量集的某种编码；
(2) GA不是从单个点，而是从一个点的群体开始搜索；
(3) GA利用适应值信息，无须导数或其它辅助信息；(4)GA利用概率转移规则，而非确定性规则。GA 的优越性主要表现在：首先，它在搜索过程中不容易陷人局部最优，即使在所定义的适应值函数是不连续的、非规则的或有噪声的情况下，它也能以很大的概率找到整体最优解；其次，由于它固有的并行性，GA非常适用于大规模并行计算机。
参考文献
[1] J Craig Potts，Terri D Giddens，Surya B Yadav．The Development and Evaluation of an Improved Genetic Algorithm Based on Migration and Artificial Selection[J]．IEEE Transactions on systems，Man，And Cybernetics，1994；24(1)：73-86
[2] 郑立平,郝忠孝. 遗传算法理论综述[J]. 计算机工程与应用,2003,39(21):50-53,96. DOI:10.3321/j.issn:1002-8331.2003.21.017.
