遺伝的アルゴリズム（GA）は発見的な最適化手法で、限定された無作為の検索の中で働きます。 最適化の問題に対する解の集合は個体の人口と見做されます。 個体の環境への適応の度合いは適合度によって指定されます。
探策空間の中で個体の座標は、染色体によって表されます。 これは本質的には一式の文字列です。 遺伝子は染色体の一部であり、最適化をしようとしているパラメータの値をコード化します。 遺伝子のコード化の典型的な例としてはバイナリや整数があります。
進化論の過程のシミュレーションである、組換え、突然変異、選択を通して、祖先よりも適合度の平均が高い新世代の探策点が見つけられます。
comp.ai.geneticのFAQによると、GAが問題に対する純粋な無作為検索ではないことを強調し過ぎることはないとしています。 GAは確率的なプロセスを使いますが、結果は明らかに無作為的ではありません（無作為よりもよりよいものです）。
図 48-1. 遺伝的アルゴリズムの構造図
+=========================================+
|>>>>>>>>>>> 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 |
+===+=====================================+