遗传算法中，交叉算子因其全局搜索能力而作为主要算子，变异算子因其局部搜索能力而作为辅助算子。遗传算法通过交叉和变异这对相互配合又相互竞争的操作而使其具备兼顾全局和局部的均衡搜索能力。如何有效地配合使用交叉和变异操作，是目前遗传算法的一个重要研究内容。

运算过程：

1）初始化：设置进化代数计数器t＝0，设置最大进化代数T，随机生成M个个体作为初始群体P（0）。

2）个体评价：计算群体P（t）中各个个体的适应度。

3）选择运算：将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。

4）交叉运算：将交叉算子作用于群体。遗传算法中交叉算子起核心作用。

5）变异运算：将变异算子作用于群体。对群体中的个体串的某些基因座上的基因值作变动。群体P（t）经过选择、交叉、变异运算之后得到下一代群体P（t＋1）。

6）终止条件判断：若t＝T，则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。

可把遗传算法的运算过程看作是一个在多元函数里面求最优解的过程。如下图所示，这个多维曲面里面有数不清的“山峰”，而这些“山峰”所对应的就是局部最优解。而其中也会有一个“山峰”的海拔最高的，那么这个就是全局最优解。而遗传算法的任务就是尽量爬到最高峰，而不是陷落在一些小山峰。

算法优点：

1）遗传算法从问题解的串集开始搜索，而不是从单个解开始。这是遗传算法与传统优化算法的极大区别。遗传算法从串集开始搜索，覆盖面大，利于全局择优。

2）遗传算法同时处理群体中的多个个体，即对搜索空间中的多个解进行评估，减少了陷入局部最优解的风险，同时算法本身易于实现并行化。

3）遗传算法不用搜索空间的知识或其它辅助信息，而仅用适应度函数值来评估个体，在此基础上进行遗传操作。适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。这一特点使得遗传算法的应用范围大大扩展。

4）遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导它的搜索方向。

5）具有自组织、自适应和自学习性。遗传算法利用进化过程获得的信息自行组织搜索时，适应度大的个体具有较高的生存概率，并获得更适应环境的基因结构。

6）算法本身也可以采用动态自适应技术，在进化过程中自动调整算法控制参数和编码精度，比如使用模糊自适应法。

简而言之，主要优点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。可以把搜索空间扩展到整个问题空间，因而具有全局优化性能。同时也缩短了整个搜寻额时间，整体上效率更高、结果更接近最优解。实现简单，没有复杂的数学计算。

算法缺点：

1）遗传算法编码和解码比较复杂，在进化前需要做复杂的编码工作，而在得到最优解后还要做复杂的解码工作，比较繁琐和复杂；

2）编码不规范及编码存在表示的不准确性，在遗传操作过程中，遗传算法编、解码不易掌控，容易出错；

3）遗传算法对初始种群的选择有一定的依赖性；

4）遗传算法通常的效率比其他传统的优化方法低；

5）遗传算法在适应度函数选择不当的情况下有可能收敛于局部最优，而不能达到全局最优；也容易过早收敛；

6）遗传算法对算法的精度、可行度、计算复杂性等方面，还没有有效的定量分析方法。

研究动向与应用前景：

遗传算法的应用研究已从初期的组合优化求解扩展到了许多更新、更工程化的应用方面。随着应用领域的扩展，遗传算法的研究出现了几个引人注目的新动向：

1）基于遗传算法的机器学习，这是把遗传算法从历来离散的搜索空间的优化搜索算法扩展到具有独特的规则生成功能的机器学习算法。这一新的学习机制对于解决人工智能中知识获取和知识优化精炼的瓶颈难题带来了希望。

2）遗传算法正日益和神经网络、模糊推理以及混沌理论等其它智能计算方法相互渗透和结合，这对开拓21世纪中新的智能计算技术将具有重要的意义。

3）并行处理的遗传算法的研究十分活跃。这一研究不仅对遗传算法本身的发展，而且对于新一代智能计算机体系结构的研究都是十分重要的。

4）遗传算法和人工生命的崭新研究领域正不断渗透。

5）遗传算法和进化规划（EP）以及进化策略（ES）等进化计算理论日益结合。这三者之间的比较研究和彼此结合的探讨正形成热点。

由于遗传算法的整体搜索策略和优化搜索方法在计算时不依赖于梯度信息或其它辅助知识，而只需要影响搜索方向的目标函数和相应的适应度函数，所以遗传算法提供了一种求解复杂系统问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，适用于非常复杂和困难的环境。所以广泛应用于许多科学和领域。

目前，遗传算法已被人们广泛地应用于生产调度、组合优化、通信网络设计、机器学习、机器人学、图象处理与模式识别、运动估计、信号处理、遗传编码、自适应控制和人工生命等领域。遗传算法也是人工智能领域中用于解决最优化的一种搜索启发式算法，是进化算法的一种。这种启发式通常用来生成有用的解决方案来优化和搜索问题。

结语：

遗传算法模拟生物繁殖的突变、交换和达尔文的自然选择（适者生存）。它把问题可能的解编码为一个向量（个体），向量的每一个元素称为基因，并利用目标函数（选择标准）对群体（个体集合）中的每一个个体进行评价，根据评价值（适应度）对个体进行选择、交换、变异等遗传操作，从而得到新的群体。遗传算法提供了一种求解复杂系统问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，适用于非常复杂和困难的环境。所以广泛应用于许多科学和领域。遗传算法特别在人工智能领域有突出表现，对推动人工智能发展具有重要意义！