遗传算法是由美国密执安大学的Holland教授（1969年）提出，后经由DeJong（1975年），Goldberg（1989年）等归纳总结所形成的一类模拟进化算法。具有简单通用、鲁棒性强、适合于并行处理以及应用范围广等特点，是21世纪一种关键的智能计算方法。

生物的进化是一个优化过程，它通过选择淘汰，突然变异，基因遗传等规律产生适应环境变化的优良物种。

遗传算法的最基本思想基于达尔文进化论和孟德尔的遗传学说。达尔文进化论最重要的是适者生存原理。它认为每一物种在发展中越来越适应环境。物种每个个体的基本特征由后代所继承，但后代又会产生一些异于父代的新变化，在环境变化时，只有那些能适应环境的个体特征能保留下来。

孟德尔遗传学说最重要的是基因遗传原理。它认为遗传以密码方式存在细胞中，并以基因形式包含在染色体内。每个基因有特殊的位置并控制某种特殊性质，所以每个基因产生的个体对环境具有某种适应性。基因突变和基因杂交可产生更适应于环境的后代，经过优胜劣汰的自然淘汰，适应性高的基因结构得以保存下来。

遗传算法以生物细胞中的染色体作为生物个体，认为每一代同时存在许多不同染色体。用适应性函数表征染色体的适应性，染色体的保留与淘汰取决于它们对环境的适应能力，优胜劣汰。适应性函数是整个遗传算法极为关键的一部分，其构成与目标函数密切相关，往往是目标函数的变种，由三个算子组合构成：繁殖（选择）、交叉（重组）、变异（突变）。这种算法可起到产生优化后代的作用，这些后代需满足适应值，经若干代遗传，可以得到满足要求的解（问题的解）。遗传算法已在优化计算和分类机器学习等方面发挥了显著作用。(www.daowen.com)

（1）繁殖（选择）算子（Selection Operator）又称复制（reproduction）算子。选择指的是模拟自然选择的操作，从种群中选择生命力强的染色体，产生新的种群的过程。选择的依据是每个染色体的适应值的大小，适应值越大，被选中的概率就越大，其子孙在下一代产生的个数就越多。根据不同的问题，选择的方法可采用不同的方案。最常见的方法有比率法、排列法和比率排列法。

（2）交叉（重组）算子（Crossover Operator）又称配对（breeding）算子。模拟有性繁殖的基因重组操作，当许多染色体相同或后代的染色体与上一代没有多大差别时，可通过染色体重组来产生新一代染色体。染色体重组分为两个步骤进行：首先，在新复制的群体中随机选取两个染色体，每个染色体由多个位（基因）组成；然后，沿着这两个染色体的基因依一定概率（称为交叉概率），取一个位置，两者互换从该位置起的末尾部分基因。例如，有两个用二进制编码的个体A和B，长度L=6，A=a1a2a3a4a5a6；B=b1b2b3b4b5b6。根据交叉概率选择整数k=4，经交叉后变为：A′=a1a2a3b4b5b6；B′=b1b2b3a4a5a6。遗传算法的有效性主要来自选择和交叉操作，尤其是交叉，在遗传算法中起着核心作用。

（3）变异（突变）算子（Mutation Operator）。选择和交叉算子基本上完成了遗传算法的大部分搜索功能，而变异则增加了遗传算法找到接近最优解的能力。变异就是以很小的概率，随机改变字符串某个位置上的值。在二进制编码中，就是将0变成1，将1变成0。变异发生的概率极低（一般取值在0.001～0.01之间）。它本身是一种随机搜索，但与选择、交叉算子结合在一起，就能避免由复制和交叉算子引起的某些信息的永久性丢失，从而保证了遗传算法的有效性。