遗传算法是一种随机全局搜索优化算法。它受到自然选择进化生物学理论的启发。具体来说，是将对遗传学的理解与理论相结合的新综合方法。

该算法使用遗传表示（位串），适应度（功能评估），基因重组（位串交叉）和突变（翻转位）的类似物。该算法的工作原理是首先创建固定大小的随机位串。重复算法的主循环固定次数的迭代，或者直到在给定迭代次数的最佳解决方案中看不到进一步的改善为止。该算法的一次迭代就像是进化的一代。

首先，使用目标函数评估总体位串（候选解决方案）。每个候选解决方案的目标函数评估被视为解决方案的适用性，可以将其最小化或最大化。然后，根据他们的健康状况选择父母。给定的候选解决方案可以用作父级零次或多次。一种简单有效的选择方法包括从总体中随机抽取k个候选者，并从适应性最好的组中选择成员。这就是所谓的锦标赛选择，其中k是一个超参数，并设置为诸如3的值。这种简单的方法模拟了成本更高的适应度成比例的选择方案。

父母被用作生成下一代候选点的基础，并且人口中的每个职位都需要一个父母。

然后将父母配对，并用来创建两个孩子。使用交叉算子执行重组。这涉及在位串上选择一个随机的分割点，然后创建一个子对象，该子对象的位从第一个父级到分割点直至从第二个父级到字符串的末尾。然后，为第二个孩子倒转此过程。