基因算法(GA)是一种启发式的优化法（heuristic optimization method）， 它是通过不确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）组成的种群（population）。 一个个体对它的环境的适应程度由它的适应性（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）， 变异（mutation）和选择（selection）找到新一代的搜索点， 它们的平均适应性要比它们的祖先好。
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）。
Figure 47-1. 基因算法的结构化框图
+=========================================+
|>>>>>>>>>>> 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 |
+===+=====================================+