遗传算法：是一个群体优化算法，也就是从多个初始解开始进行优化，每个解成为一个染色体，个染色体之间通过竞争，合作，单独变异，不断进化。
优化时候先要见时机问题转换到遗传空间，就是把实际问题的解用染色体表示，称为编码，反过程为解码，因为优化后要进行评价，所以要返回问题空间，故要进行解码。SGA采用二进制编码，染色体就是二进制位串，每一位可称为一个基因；解码时候应将染色体解码到问题可行域内部。
遗传算法模拟“适者生存，优胜劣汰”的进化机制，染色体适应生存环境的能力用适应度函数衡量。对于优化问题，适应度蛤属由目标函数变换而来。一般遗传算法求解最大值问题，如果是最小值的问题，则通过取倒数或者加负号处理。SGA要求适应度函数>0，对于<0的问题，要通过加一个足够大的正数来jiejue.zheyang，适应度函数值打的染色体生存能力强。
遗传算法有三个进化算子：选择（复制），交叉，和变异
SGA中，选择采用轮盘赌方法，将染色体分布在一个圆盘上，没个染色体占据一定的扇形区域，扇形区域的面积大小和染色体的适应度大小成正比。如果轮盘中心装一个可以转动的指针的话，旋转指针，指针停下来时候会只想某一个区域，则该区域对应的染色体被选中。显然氏硬度高的染色体由于所占的扇形区域大，一次被选中的几率高，可能被选中多次，而是硬度底的被选中的几率低，从而被淘汰。
算法实现时候，采用随机数方法，先将没个染色体的适应度除以所有染色体适应度的和，再累加，使得他们根据适应度的大小分布于0-1之间，氏硬度大的站的区域大，然后随机生成一个0-1之间的随机数，随机数落到那个区域，对应的染色体就被选中。重复操作，选出群体规模规定的数目的染色体。这个操作就是优胜劣汰，适者生存，但没有产生新个体。
交叉模拟有性繁殖，有俩个染色体共同作用产生后代，SGA采用单点交叉。由于SGA为二进制编码，所以染色体为二进制位串，随机生成一个小于位串长度的随机整数，交换俩个染色体改点后的那部分位串。参与交叉的染色体是轮盘赌选出来的个体，并且还要根据选择概率来确定是否进行交叉（生成0-1之间的随机数，看随机数是否小于规定的交叉概率），否则直接进入变异操做。这个操作是产生新个体的主要方法，不过基因都来自父辈个体。
变异采用为点便宜，对于二进制位串，0变1，1变0局势变异。采用概率确定变异位，对每一位生成一个0-1之间的随机数，看是否小于规定的变异概率，小于的变异，否则保持原状。这个操作能够使个体不同与父辈儿具有自己独立的特征基因，主要用于跳出局部极值。
遗传算法认为生物由低级到高级进化，后代的比前一代的强，但实际操作中可能出现退化现象，所以采用最佳个体保留法，也就是曾经出现的最好个体，一定要保证生存下来，使得后代至少不差于前一代。大致有俩种类型，一种是把出现的最优个体单独保存，最后输出，不印象，原来的进化过程；一种是将最有个体保存如子群，也进行选择交叉，变异，这样能春分利用模式，蛋爷可能导致过早收敛。
由于是基本遗传算法，所以优化能力一般，解决简单问题上可，高位，复杂问题就需要进行改进了。