如上圖（左）所示，遺傳算法當個體由多條染色體組成，每條染色體由多個基因組成。上圖（右）展示了染色體分割和組合方式。

自然選擇的概念

自然選擇的過程從選擇群體中最適應環境的個體開始。后代繼承了父母的特性，并且這些特性將添加到下一代中。如果父母具有更好的適應性，那么它們的后代將更易于存活。迭代地進行該自然選擇的過程，最終，我們將得到由最適應環境的個體組成的一代。

這一概念可以被應用于搜索問題中。我們考慮一個問題的諸多解決方案，并從中搜尋出***方案。

遺傳算法含以下五步：

1. 初始化
2. 個體評價（計算適應度函數）
3. 選擇運算
4. 交叉運算
5. 變異運算

初始化

該過程從種群的一組個體開始，且每一個體都是待解決問題的一個候選解。

個體以一組參數（變量）為特征，這些特征被稱為基因，串聯這些基因就可以組成染色體（問題的解）。

在遺傳算法中，單個個體的基因組以字符串的方式呈現，通常我們可以使用二進制（1 和 0 的字符串）編碼，即一個二進制串代表一條染色體串。因此可以說我們將基因串或候選解的特征編碼在染色體中。

種群、染色體和基因

個體評價（計算適應度函數）

個體評價利用適應度函數評估了該個體對環境的適應度（與其它個體競爭的能力）。每一個體都有適應度評分，個體被選中進行繁殖的可能性取決于其適應度評分。適應度函數值越大，解的質量就越高。適應度函數是遺傳算法進化的驅動力，也是進行自然選擇的唯一標準，它的設計應結合求解問題本身的要求而定。

選擇運算

選擇運算的目的是選出適應性***的個體，并使它們將基因傳到下一代中。基于其適應度評分，我們選擇多對較優個體（父母）。適應度高的個體更易被選中繁殖，即將較優父母的基因傳遞到下一代。

交叉運算

交叉運算是遺傳算法中最重要的階段。對每一對配對的父母，基因都存在隨機選中的交叉點。

舉個例子，下圖的交叉點為 3。

父母間在交叉點之前交換基因，從而產生了后代。

父母間交換基因，然后產生的新后代被添加到種群中。

變異運算

在某些形成的新后代中，它們的某些基因可能受到低概率變異因子的作用。這意味著二進制位串中的某些位可能會翻轉。

變異運算前后

變異運算可用于保持種群內的多樣性，并防止過早收斂。

終止

在群體收斂的情況下（群體內不產生與前一代差異較大的后代）該算法終止。也就是說遺傳算法提供了一組問題的解。
案例實現

種群的規模恒定。新一代形成時，適應度最差的個體凋亡，為后代留出空間。這些階段的序列被不斷重復，以產生優于先前的新一代。

這一迭代過程的偽代碼：

START
Generate the initial population
Compute fitness
REPEAT
    Selection
    Crossover
    Mutation
    Compute fitness
UNTIL population has converged
STOP

Java 中的示例實現

以下展示的是遺傳算法在 Java 中的示例實現，我們可以隨意調試和修改這些代碼。給定一組五個基因，每一個基因可以保存一個二進制值 0 或 1。這里的適應度是基因組中 1 的數量。如果基因組內共有五個 1，則該個體適應度達到***值。如果基因組內沒有 1，那么個體的適應度達到最小值。該遺傳算法希望***化適應度，并提供適應度達到***的個體所組成的群體。注意：本例中，在交叉運算與突變運算之后，適應度***的個體被新的，適應度***的后代所替代。

import java.util.Random;

/**
 *
 * @author Vijini
 */

//Main class
public class SimpleDemoGA {

    Population population = new Population();
    Individual fittest;
    Individual secondFittest;
    int generationCount = 0;

    public static void main(String[] args) {

        Random rn = new Random();
        
        SimpleDemoGA demo = new SimpleDemoGA();
        
        //Initialize population
        demo.population.initializePopulation(10);
        
        //Calculate fitness of each individual
        demo.population.calculateFitness();
        
        System.out.println("Generation: " + demo.generationCount + " Fittest: " + demo.population.fittest);

        //While population gets an individual with maximum fitness
        while (demo.population.fittest < 5) {
            ++demo.generationCount;
            
            //Do selection
            demo.selection();
            
            //Do crossover
            demo.crossover();
            
            //Do mutation under a random probability
            if (rn.nextInt()%7 < 5) {
                demo.mutation();
            }
            
            //Add fittest offspring to population
            demo.addFittestOffspring();
            
            //Calculate new fitness value 
            demo.population.calculateFitness();
            
            System.out.println("Generation: " + demo.generationCount + " Fittest: " + demo.population.fittest);
        }

        System.out.println("\nSolution found in generation " + demo.generationCount);
        System.out.println("Fitness: "+demo.population.getFittest().fitness);
        System.out.print("Genes: ");
        for (int i = 0; i < 5; i++) {
            System.out.print(demo.population.getFittest().genes[i]);
        }

        System.out.println("");

    }

    //Selection
    void selection() {
        
        //Select the most fittest individual
        fittest = population.getFittest();
        
        //Select the second most fittest individual
        secondFittest = population.getSecondFittest();
    }

    //Crossover
    void crossover() {
        Random rn = new Random();
        
        //Select a random crossover point
        int crossOverPoint = rn.nextInt(population.individuals[0].geneLength);

        //Swap values among parents
        for (int i = 0; i < crossOverPoint; i++) {
            int temp = fittest.genes[i];
            fittest.genes[i] = secondFittest.genes[i];
            secondFittest.genes[i] = temp;

        }

    }

    //Mutation
    void mutation() {
        Random rn = new Random();
        
        //Select a random mutation point
        int mutationPoint = rn.nextInt(population.individuals[0].geneLength);

        //Flip values at the mutation point
        if (fittest.genes[mutationPoint] == 0) {
            fittest.genes[mutationPoint] = 1;
        } else {
            fittest.genes[mutationPoint] = 0;
        }

        mutationPoint = rn.nextInt(population.individuals[0].geneLength);

        if (secondFittest.genes[mutationPoint] == 0) {
            secondFittest.genes[mutationPoint] = 1;
        } else {
            secondFittest.genes[mutationPoint] = 0;
        }
    }

    //Get fittest offspring
    Individual getFittestOffspring() {
        if (fittest.fitness > secondFittest.fitness) {
            return fittest;
        }
        return secondFittest;
    }


    //Replace least fittest individual from most fittest offspring
    void addFittestOffspring() {
        
        //Update fitness values of offspring
        fittest.calcFitness();
        secondFittest.calcFitness();
        
        //Get index of least fit individual
        int leastFittestIndex = population.getLeastFittestIndex();
        
        //Replace least fittest individual from most fittest offspring
        population.individuals[leastFittestIndex] = getFittestOffspring();
    }

}


//Individual class
class Individual {

    int fitness = 0;
    int[] genes = new int[5];
    int geneLength = 5;

    public Individual() {
        Random rn = new Random();

        //Set genes randomly for each individual
        for (int i = 0; i < genes.length; i++) {
            genes[i] = rn.nextInt() % 2;
        }

        fitness = 0;
    }

    //Calculate fitness
    public void calcFitness() {

        fitness = 0;
        for (int i = 0; i < 5; i++) {
            if (genes[i] == 1) {
                ++fitness;
            }
        }
    }

}

//Population class
class Population {

    int popSize = 10;
    Individual[] individuals = new Individual[10];
    int fittest = 0;

    //Initialize population
    public void initializePopulation(int size) {
        for (int i = 0; i < individuals.length; i++) {
            individuals[i] = new Individual();
        }
    }

    //Get the fittest individual
    public Individual getFittest() {
        int maxFit = Integer.MIN_VALUE;
        for (int i = 0; i < individuals.length; i++) {
            if (maxFit <= individuals[i].fitness) {
                maxFit = i;
            }
        }
        fittest = individuals[maxFit].fitness;
        return individuals[maxFit];
    }

    //Get the second most fittest individual
    public Individual getSecondFittest() {
        int maxFit1 = 0;
        int maxFit2 = 0;
        for (int i = 0; i < individuals.length; i++) {
            if (individuals[i].fitness > individuals[maxFit1].fitness) {
                maxFit2 = maxFit1;
                maxFit1 = i;
            } else if (individuals[i].fitness > individuals[maxFit2].fitness) {
                maxFit2 = i;
            }
        }
        return individuals[maxFit2];
    }

    //Get index of least fittest individual
    public int getLeastFittestIndex() {
        int minFit = 0;
        for (int i = 0; i < individuals.length; i++) {
            if (minFit >= individuals[i].fitness) {
                minFit = i;
            }
        }
        return minFit;
    }

    //Calculate fitness of each individual
    public void calculateFitness() {

        for (int i = 0; i < individuals.length; i++) {
            individuals[i].calcFitness();
        }
        getFittest();
    }

}