遗传算法的基本运算过程是用循环语句控制不同的五个步骤。

一、编码、随机产生初始群体

• 编码的好坏关系到求解的速度。
• 遗传算法的工作对象是字符串，对字符串的编码要求是：字符串要反映所研究问题的特性；字符串的表达式要便于计算机处理。

二、个体评价、选择、确定是否输出

• 设计一个适应度函数，进行个体评价。
• 把优秀的留下使其比例增大，把差的筛选掉。
• 在遗传算法中，衡量个体优劣的尺度是适应度，根据适应度的大小决定个体繁殖的数量、或决定其是否消亡。适应度是驱动遗传算法的动力。
• 复制算子将优良个体在下一代予以繁殖，个体被复制的数量是按照适应度的大小决定的，群体中个体总数是不变的。
• 采用等差、等比或者轮盘赌的复制方式，防止过早的收敛。

三、随机交叉运算

• 对已经存在下的个体进行随机交换交叉运算。
• 交换是遗传算法中产生新个体的主要手段，将两个个体的部分字符互相交换。
• 执行交换的个体是随机选择的。
• 交换的概率一般为50~80%（可以根据实际情况灵活选择）。

四、随机变异运算

• 对已经存在下的个体进行随机、变异叉运算。
• 变异是遗传算法中产生新个体的方法（不是最主要的方法），将被选择的个体的部分字符进行补运算。
• 变异个体是随机选择的。
• 个体的第几位开始变异是随机的
• 个体变异几位也是随机的。

五、转向个体评价，开始新循环

• 最常用的终止条件是迭代的代数。
• 当目标 函数有最优目标值时，可采用控制偏差的方式实现。
• 检查适应度的变化。

模式理论

• 编码是左边（高位）数字越小，其适应度将越大。这种字符串的形式特征叫做编码模式。
• 模式中确定的字符的个数就叫做模数的阶数。模数阶数越低，代表的字符串的个数就越多。
• 模式中最前面和最后面两个确定字符的距离称为模式的长度。

遗传过程中的模式数目与模式定理

• 复制时的模式数目
  H模式编码在每一代复制的过程中以指数的方式增加。
• 经过复制、交换、突变在下一代拥有的个数公式。t+1代的数目和t代数目、平均适应度成正比。
• 模式定理表明：长度短、阶次低、平均适应度大的模式在遗传算法循环中呈指数增长。（从理论上保证了遗传算法是智能的搜素）。