在計算機科學和運籌學中，遺傳算法（GA）是一種元啟發式的自然選擇過程，屬于較大的進化算法（EA）。遺傳算法通常被用來生成高質量的優化和搜索問題的解決方案，依靠的是受生物啟發的運算符，如變異、交叉和選擇。遺傳算法的一些應用實例包括優化決策樹以提高性能，解決數獨謎題，超參數優化等。

在遺傳算法中，一個優化問題的候選解決方案的群體（稱為個體、生物、生物體或表型）向更好的解決方案進化。每個候選解決方案都有一組屬性（它的染色體或基因型），這些屬性可以被變異和改變；傳統上，解決方案以二進制表示為0和1的字符串，但其他編碼也是可能的。進化通常從一個隨機生成的個體群體開始，是一個迭代過程，每次迭代的群體稱為一代。在每一代中，對種群中每個個體的適應性進行評估；適應性通常是正在解決的優化問題中的目標函數值。更適合的個體被隨機地從當前種群中選出，每個個體的基因組被修改（重新組合并可能隨機變異）以形成新的一代。新一代的候選解決方案然后被用于算法的下一次迭代。通常情況下，當產生了xxx的代數，或者群體達到了令人滿意的健身水平時，算法就會終止。一個典型的遺傳算法需要。解域的遺傳表示，評估解域的健身函數。每個候選解的標準表示是一個比特數組（也叫比特集或比特串）。其他類型和結構的數組可以以基本相同的方式使用。使這些遺傳表示法變得方便的主要屬性是，由于其固定的大小，其部分很容易對齊，這有利于簡單的交叉操作。可變長度的表示法也可以使用，但在這種情況下，交叉操作的實現更為復雜。在遺傳編程中探索了樹狀表示法，在進化編程中探索了圖狀表示法；在基因表達編程中探索了線性染色體和樹的混合。一旦定義了遺傳表示法和健身函數，GA就開始初始化解決方案的群體，然后通過重復應用變異、交叉、反轉和選擇操作符來改進它。

群體大小取決于問題的性質，但通常包含幾百或幾千個可能的解決方案。通常，初始群體是隨機產生的，允許整個可能的解決方案（搜索空間）的范圍。偶爾，解決方案可以在可能找到最優解決方案的區域被播種。

在每一個連續的世代中，現有種群的一部分被選擇來繁殖新的世代。個別解決方案是通過一個基于健身的過程來選擇的，其中更適合的解決方案（由健身函數衡量）通常更可能被選中。某些選擇方法對每個解決方案的適用性進行評級，并優先選擇最佳解決方案。其他方法只對群體的隨機樣本進行評級，因為前一個過程可能非常耗時。健身函數是在遺傳表示上定義的，并衡量表示的解決方案的質量。健身函數總是取決于問題。例如，在背包問題中，人們希望xxx限度地提高可以放在某個固定容量的背包中的物體的總價值。一個解決方案的代表可能是一個比特數組，其中每個比特代表一個不同的物體，而比特的值（0或1）代表該物體是否在背包中。

不是每一個這樣的表示都是有效的，因為物體的大小可能超過背包的容量。如果表示是有效的，解決方案的適用性是背包中所有對象的值之和，否則就是0。在一些問題中，很難甚至不可能定義適配性表達式；在這些情況下，可以用模擬來確定表征的適配性函數值（例如，用計算流體力學來確定車輛的空氣阻力，其形狀被編碼為表征），甚至可以使用交互式遺傳算法。

下一步是從那些被選中的解決方案中產生第二代種群，通過一個com