采用某种编码方式将解空间映射到编码空间，每个编码对应问题的一个解，称为染色体或个体。一般通过随机方法确定起始的一群个体，称为种群，在种群中根据适应值或某种竞争机制选择个体，使用各种遗传操作算子产生下一代如此进化下去，直到满足期望的终止条件。

自然界始终是人类灵感的重要来源。仿生学直接模仿生物界的现象和原理，而另外一些研究方向则起源于对自然现象或过程的模拟，如控制论，人工神经网络，模拟退火算法，元胞自动机等。

遗传算法（genetic algorithms）也是其中之一。早在20世纪50年代就有将进化原理应用于计算机科学的努力，但缺乏一种普遍的编码方法，只能依赖于变异而非交配产生新的基因结构。50年代末到60年代初，受一些生物学家用计算机对生物系统进行模拟的启发，Holland开始应用模拟遗传算子研究适应性。在Bagley1967年关于自适应下棋程序的论文中，他应用遗传算法搜索下棋游戏评价函数的参数集，并首次提出了遗传算法这一术语。1975年Holland出版了遗传算法历史上的经典著作《自然和人工系统中的适应性》，系统阐述了遗传算法的基本理论和方法，并提出了模式定理（schematatheorem），证明在遗传算子选择、交叉和变异的作用下，具有低阶、短定义距以及平均适应度高于群体平均适应度的模式在子代中将以指数级增长，这里的模式是某一类字符串，其某些位置有相似性。同年，DeJong完成了他的博士论文《遗传自适应系统的行为分析》，将Holland的模式理论与他的计算试验结合起来，进一步完善了选择、交叉和变异操作，提出了一些新的遗传操作技术。

进入80年代后，遗传算法得到了迅速发展，不仅理论研究十分活跃，而且在越来越多的应用领域中得到应用。1983年，Holland的学生Goldberg将遗传算法应用于管道煤气系统的优化，很好地解决了这一非常复杂的问题。1989年，Goldberg出版了《搜索、优化和机器学习中的遗传算法》一书，这本可能是遗传算法领域被引用次数最多的书为这一领域奠定了坚实的科学基础。80年代中期，Axelrod和Forrest合作，采用遗传算法研究了博奕论中的一个经典问题--囚徒困境。在机器学习方面，Holland自提出遗传算法的基本理论后就致力于研究分类器系统（classifiersystem），Holland希望系统能将外界刺激进行分类，然后送到需要的地方去，因此命名为分类器系统，这里的classifier是指一个二进制串，代表一类情况。分类器系统将某一条件是否为真与串的某一位相对应，从而将产生式系统中的规则编码为二进制串，这样就可以应用遗传算法来进行演化，同时引入了基于经济学原理的信用分配机制--桶队（bucketbrigade）算法来确定规则的相对强度。Holland和SantaFe的Arthur等人合作，用分类器系统模拟了一些经济现象，得到了满意的结果。

遗传算法已有了许多发展，但一般来说，其基本过程是：首先采用某种编码方式将解空间映射到编码空间（可以是位串、实数、有序串、树或图，Holland最初的遗传算法是基于二进制串的，类似于生物染色体结构，易于用生物遗传理论解释，各种遗传操作也易于实现。另外，可以证明，采用二进制编码式，算法处理的模式最多。但是，在具体问题中，直接采用解空间的形式进行编码，可以直接在解的表现型上进行遗传操作，从而易于引入特定领域的启发式信息，可以取得比二进制编码更高的效率。实数编码一般用于数值优化，有序串编码一般用于组合优化。），每个编码对应问题的一个解，称为染色体或个体。一般通过随机方法确定起始的一群个体，称为种群，在种群中根据适应值或某种竞争机制选择个体（适应值就是解的满意程度，可以由外部显式适应度函数计算，也可以由系统本身产生，如由协同演化时不同对策的博奕确定，或者由个体在群体中的存活量和繁殖量确定。），使用各种遗传操作算子（包括杂交，变异，倒位等等）产生下一代（下一代可以完全替代原种群，即非重叠种群；也可以部分替代原种群中一些较差的个体，即重叠种群），如此进化下去，直到满足期望的终止条件。

从上面的原理可以看出，从搜索角度，遗传算法具有许多独特的优点：

l 不必非常明确描述问题的全部特征，通用性和鲁棒性强，能很快适应问题和环境的变化；对领域知识依赖程度低，不受搜索空间限制性假设的约束，不必要求连续性、可导或单峰等。

l 从多点进行搜索，如同在搜索空间上覆盖的一张网，搜索的全局性强，不易陷入局部最优；具有隐并行性，非常适合于并行计算。