GA 是一种启发式的优化法 （heuristic optimization method）， 它是通过既定的随机搜索进行操作．优化问题的可能的解的集合被认为是 个体（individuals）组成的 人群（population）． 一个个体对它的环境的适应程度由它的 健康度（fitness）表示．
一个个体在搜索空间里的参照物是用 染色体（chromosomes）表示的， 实际上那是一套字符串． 一个基因 （gene）是染色体的一个片段， 基因是被优化的单个参数的编码． 对一个基因的典型的编码可以是二进制（binary）或 整数（integer）。
通过仿真进化过程的重组 （recombination）， 突变 （mutation）和 选择 （selection） 找到新一代的搜索点，它们的平均健康度要比它们的祖先好．
根据 "comp.ai.genetic" FAQ，我们不论怎么强调 GA 在解决一个问题时不是纯随机搜索都不过份． GA 使用随机处理， 但是结果明显不是随机的（比随机更好）．
GA 结构化框图：
---------------------------
P(t) 时刻t时的父代（generation of ancestors at a time t）
P''(t) 时刻t时的子代（generation of descendants at a time t）
+=========================================+
|>>>>>>>>>>> Algorithm GA <<<<<<<<<<<<<<|
+=========================================+
| INITIALIZE t := 0 |
+=========================================+
| INITIALIZE P(t) |
+=========================================+
| evalute FITNESS of P(t) |
+=========================================+
| while not STOPPING CRITERION do |
| +-------------------------------------+
| | P'(t) := RECOMBINATION{P(t)} |
| +-------------------------------------+
| | P''(t) := MUTATION{P'(t)} |
| +-------------------------------------+
| | P(t+1) := SELECTION{P''(t) + P(t)} |
| +-------------------------------------+
| | evalute FITNESS of P''(t) |
| +-------------------------------------+
| | t := t + 1 |
+===+=====================================+