如上圖（左）所示，遺傳算法當個體由多條染色體組成，每條染色體由多個基因組成。上圖（右）展示了染色體分割群組合方式。
自然選擇的過程從選擇群體中最适應環境的個體開始。後代繼承了父母的特性，并且這些特性将添加到下一代中。如果父母具有更好的适應性，那麼它們的後代将更易于存活。疊代地進行該自然選擇的過程，最終，我們将得到由最适應環境的個體組成的一代。
這一概念可以被應用于搜尋問題中。我們考慮一個問題的諸多解決方案，并從中搜尋出最佳方案。
遺傳算法含以下五步：
初始化
個體評價（計算适應度函數）
選擇運算
交叉運算
變異運算
該過程從種群的一組個體開始，且每一個體都是待解決問題的一個候選解。
個體以一組參數（變量）為特征，這些特征被稱為基因，串聯這些基因就可以組成染色體（問題的解）。
在遺傳算法中，單個個體的基因組以字元串的方式呈現，通常我們可以使用二進制（1 和 0 的字元串）編碼，即一個二進制串代表一條染色體串。是以可以說我們将基因串或候選解的特征編碼在染色體中。
種群、染色體和基因
個體評價利用适應度函數評估了該個體對環境的适應度（與其它個體競争的能力）。每一個體都有适應度評分，個體被選中進行繁殖的可能性取決于其适應度評分。适應度函數值越大，解的品質就越高。适應度函數是遺傳算法進化的驅動力，也是進行自然選擇的唯一标準，它的設計應結合求解問題本身的要求而定。
選擇運算的目的是選出适應性最好的個體，并使它們将基因傳到下一代中。基于其适應度評分，我們選擇多對較優個體（父母）。适應度高的個體更易被選中繁殖，即将較優父母的基因傳遞到下一代。
交叉運算是遺傳算法中最重要的階段。對每一對配對的父母，基因都存在随機選中的交叉點。
舉個例子，下圖的交叉點為 3。
父母間在交叉點之前交換基因，進而産生了後代。
父母間交換基因，然後産生的新後代被添加到種群中。
在某些形成的新後代中，它們的某些基因可能受到低機率變異因子的作用。這意味着二進制位串中的某些位可能會翻轉。
變異運算前後
變異運算可用于保持種群内的多樣性，并防止過早收斂。
在群體收斂的情況下（群體内不産生與前一代差異較大的後代）該算法終止。也就是說遺傳算法提供了一組問題的解。
案例實作
種群的規模恒定。新一代形成時，适應度最差的個體凋亡，為後代留出空間。這些階段的序列被不斷重複，以産生優于先前的新一代。
這一疊代過程的僞代碼：
java 中的示例實作
以下展示的是遺傳算法在 java 中的示例實作，我們可以随意調試和修改這些代碼。給定一組五個基因，每一個基因可以儲存一個二進制值 0 或 1。這裡的适應度是基因組中 1 的數量。如果基因組内共有五個 1，則該個體适應度達到最大值。如果基因組内沒有 1，那麼個體的适應度達到最小值。該遺傳算法希望最大化适應度，并提供适應度達到最大的個體所組成的群體。注意：本例中，在交叉運算與突變運算之後，适應度最低的個體被新的，适應度最高的後代所替代。
作者：medium
來源：51cto