基因算法(GA)是一种启发式的优化法，它是通过不确定的随机搜索进行操作。优化问题的可能解的集合被认为是个体组成的种群。一个个体对它的环境的适应程度由它的适应性表示。
一个个体在搜索空间里的参照物用染色体表示(实际上是一套字符串)。一个基因是染色体的一个片段，基因是被优化的单个参数的编码。对一个基因的典型的编码可以是二进制或整数。
通过仿真进化过程的重组、变异、选择找到新一代的搜索点，它们的平均适应性要比它们的祖先好。
根据 comp.ai.genetic FAQ，不论怎么强调 GA 在解决一个问题时不是纯随机搜索都不过份。GA 使用随机处理，但是结果明显不是随机的(比随机更好)。
Figure 48-1. 基因算法的结构化框图
+=========================================+
|>>>>>>>>>>> Algorithm GA <<<<<<<<<<<<<<|
+=========================================+
| INITIALIZE t := 0 |
+=========================================+
| INITIALIZE P(t) |
+=========================================+
| evaluate FITNESS of P(t) |
+=========================================+
| while not STOPPING CRITERION do |
| +-------------------------------------+
| | P'(t) := RECOMBINATION{P(t)} |
| +-------------------------------------+
| | P''(t) := MUTATION{P'(t)} |
| +-------------------------------------+
| | P(t+1) := SELECTION{P''(t) + P(t)} |
| +-------------------------------------+
| | evaluate FITNESS of P''(t) |
| +-------------------------------------+
| | t := t + 1 |
+===+=====================================+