遗传算法（Genetic Algorithm，GA）是20世纪70年代初兴起的一门新兴学科。遗传算法的基本思想来源于达尔文的进化论和孟德尔的遗传学说，它通过模拟生物进化的过程来求解问题。生物中的基因对应优化问题中的变量组合，一个解则代表了一个个体。通过生物基因的交叉与变异来改变种群的性状（函数值）。通过进化过程中优胜劣汰的原则挑选出优秀的个体（函数值大或小），最终通过迭代的方式模拟生物的进化，得到一个适合生存于特定环境的种群，以此来求解出优化问题的全局最优解。
遗传算法已经发展得很成熟，广泛应用于优化问题的求解。
①遗传算法只对个体的基因进行操作，所以无论实际问题多么复杂，其稳定性都不会受到太大的影响。
②遗传算法的搜索过程属于并行计算，能够很好地搜索解空间。
③稳定性、鲁棒性强，适用于非线性、高维复杂优化问题。
其流程如下：
初始化种群相当于确定原始解的位置，交叉是利用亲代信息来生成下一代个体，变异是基因的变异，并以此来丰富基因匹配的种类，适应度即构造的函数所对应的函数值，自然选择是根据特定的规律选择进入下一代的个体。 其涉及到的算法参数有：
种群数量ÿ
