遺傳算法是一種群體型操作，該操作以群體的所有個體為對象。遺傳算法的遺傳操作（genetic operation）包括：選擇（selection）、交叉（crossover）、和變異（mutation）三個主要的遺傳，它們使得遺傳算法具有了其他傳統方法所沒有的特性。
 
 
正航儀器小編須知，遺傳算法的核心內容為：參數編碼、初始群體的設定、適應函數的設定、遺傳操作的設定、控制參數的設定。
1 編碼
由于遺傳算法不能直接處理解空間的數據，因而要將解空間的數據表示成遺傳空間的數據格式，即通過編碼將表現型數據映射為基因型串結構數據。比如x=14表示為01110的形式。
2 產生初始種群
由于遺傳算法是群體型的操作，所以進行遺傳操作前，都需要產生一個由若干初始解組成的初始種群，種群的大小（規模）就是指種群中的個體數目。初始群體也稱為進化的初始代，即代。
3 應函數的設定
計算適應度計算適應度是為了衡量每個個體適應度的大小，換句話說就是為了描述個體好壞的程度，以便將的個體保留下來，獲得更多交配的機會。
4 遺傳操作
（1）選擇（selection）實現選擇操作的方法有很多種，這里采用和適應度值成比例的概率方法來進行選擇。具體地說，首先計算群體中所有個體的適應度總和（Σf），再計算每個個體的適應度所占的比例（fi/Σf）,并以此作為相應的選擇概率PS。由這個概率可以計算出每個個體被選擇的次數。
（2）交叉（crossover）
簡單的交叉（即一點交叉），可以分為兩步進行，首先對配對庫中的個體進行隨機配對，然后在配對個體中隨機確定交叉處（表中的配對庫中的豎線表示交叉位置），配對個體彼此交換部分信息。
 
（3）變異（mutation）
變異操作是按位（bit）進行的，即把染色體中的某一位的內容進行變異。對于常用的二進制編碼的個體來說，若某位原來為0，則通過變異就變成1，反之亦然。變異操作也是隨機進行的。變異概率Pm一般都取的比較小。變異操作一般和交叉操作配合使用來挖掘群體中個體的多樣性，以避免陷于局部解。
（5）模擬結果
遺傳算法一般要通過幾十甚至幾百次的重復上述過程來求解問題。通常的方法是在實驗中預先指定遺傳算法的迭代次數或設定迭代終止的條件。
完整遺傳算法核心內容包含5個主要因素，學習要先從掌握核心入手，之后掌握脈搏，掌握全文。http://m.femc.com.cn