遺傳算法（Genetic algorithm）遵循適者生存、優勝劣汰的法則，即尋優過程中保留有用的，去除無用的。在科學和生產實踐中表現為在所有可能的解決方法中找出最符合該問題所要求的條件的解決方法，即找出一個最優解。
遺傳算法有4個參數需要提前設定，一般在以下范圍內進行設置：
（1）群體大小：20~100
（2）遺傳算法的終止進化代數：100~500
（3）交叉概率：0.4~0.99
（4）變異概率：0.0001~0.1
算法參數的設計原則
1.種群初始化
初始的種群生成是隨機的。在初始種群的賦值之前，盡量進行一個大概率的區間估計，以免初始種群分布在遠離全局最優解的編碼空間，導致遺傳算法的搜索范圍受到限制，同時也為算法減輕負擔。
雖然初始種群中的個體可以隨機產生，但最好采用如下策略設定：
(1) 根據問題固有知識，設法把握最優解所占空間在整個問題空間中的分布范圍，然后，在此分布范圍內設定初始種群；
(2) 先隨機產生一定數目的個體，然后從中挑選最好的個體加入到初始群體中。這種過程不斷迭代，直到初始群體中個體數目達到了預先確定的規模。
2.種群的規模
群體規模太小，很明顯會出現近親交配，產生病態基因。而且造成有效等位基因先天缺失，即使采用較大概率的變異算子，生成具有競爭力高階模式的可能性仍然核銷，況且大概率變異算子對已有模式的破壞作用極大。同時，遺傳算子存在隨機誤差（模式采樣誤差），妨礙小群體中有效模式的正確傳播，使得種群進化不能按照模式定理產生所預期的期望數量。
群體規模太大，結果難以收斂且浪費資源，穩健性下降。
3.變異概率
變異概率太小，種群的多樣性下降太快，容易導致有效基因的迅速丟失且不容易修補；
變異概率太大，盡管種群的多樣性可以得到保證，但是高階模式被破壞的概率也隨之增大。
4.交配概率
與變異概率類似，交配概率太大容易破壞已有的有利模式，隨機性增大，容易錯失最優個體；
交配概率太小不能有效更新種群
5.進化代數
進化代數太小，算法不容易收斂，種群還沒有成熟；
進化代數太大，算法已經熟練或者種群過於早熟不可能再收斂，繼續進化沒有意義，只會增加時間開支和資源浪費
小結：
遺傳算法(GAs)作為一種魯棒的、實用的優化方法，既可以用於離散域也可以用於連續域上。
關於個體(individual)和染色體(chromosome)：在編程的過程中我將兩者看作同一個東西。但是實際上：種群由一定數量的個體組成，每個個體實際上是染色體帶有特征的實體，染色體又由若干個基因組成。
除了上述參數調整以外，在實際的應用中，我發現基於GA的算法，比如多目標進化算法(Multi-objective evolutionary algorithm)。種群的初始化方法還是很有許多值得探索的地方，有的時候完全的隨機化方法並不能得到好的解。