遗传算法是一种大致基于模拟进化的学习方法，假设常被描述为二进制串。在遗传算法中，每一步都根据给定的适应度评估准则去评估当前的假设，然后用概率的方法选择适应度最高的假设作为产生下一代的种子。产生下一代的办法有交叉和变异两种方法。
遗传算法和遗传编程是进化计算的两种普遍方法。
遗传算法原理
在遗传算法中各个假设首先表示成二进制位串。用if-then的编码规则将某个属性转换为二进制串。假设一个属性
Outlook可以取Sunny、Overcast和Rain，则该属性可以通过三个二进制位来描述，相应的位表示取某个值的属性。
例子：
（Outlook属性 = Overcast||Rain）&&（Wind属性=Strong）则二进制表示为
Outlook Wind
011 10
表示了假设以后，再应用下面的迭代函数。
GA(Fitness,Fitness_threshold,p,r,m)
Fitness：适应度评分函数；
Fitness_threshold：指定终止迭代的门限；
p：群体中假设的数量；
r：每一步通过交叉取代群体成员的比例；
m：变异率；
算法的每一次迭代都从概率的方法选择（具体选择那些个体，与个体的适应度有关）(1-r)p直接进入下一代群体，rp个体通过交叉产生群体进入下一代。然后再从下一代选择mp的成员变异，得到这一轮迭代的下一代群体。
个体选择：适应度比例选择，锦标赛选择和排序选择。
交叉算子：两点交叉，多点交叉和均匀交叉。（可以自定义交叉规则）。
变异算子：从父亲位串中选择一位取反。（当然也可以选择多位）。
遗传算法实现难题：拥挤问题，群体中某个体适应度大大高于其他个体，因此它迅速繁殖，降低了群体的多样性。解法办法：修改选择函数、适应度共享等。
遗传编程(GP)
遗传编程是遗传算法的一种应用，只不过现在的个体计算机程序，通过GA学习可以得到那种算法的适应性最强。在遗传编程的实现中，GP操作的程序被表示为解析树，然后遗传交叉的时候，交叉解析数的某个子树节点。
进化和学习模型
拉马克进化：如果个体在生命周期内学会了避开某种有毒食物，它能把这种特性遗传给后代。科学证明这种理论冲突，但是它可以提高计算机遗传算法的效率。
鲍德温效应：如果个体具有学习的性能，则个体就会较少地依赖遗传中“基因的不足”，这种个体容易生存下来；如果没有学习能力的个体则单靠遗传的基因，会处于劣势。因此，个体的学习能力间接加速群体适应性进化。Hinton&Nowlan对一个简单的神经网络，运用鲍德温效应进行了实践，即让一些权值固定，另一些权值可以通过样本训练的。实验中，允许学习的时候，群体适应度迅速提高。
并行遗传算法
GA算法适合并行实现。并行方法把群体细分成相对独立的个体群，每个群成为一个类属(deme)，每个类属分配一个计算节点，在这些节点上应用GA算法。类属与类属之间可以通过迁移来复制或交换其他特性，但是将这种概率设置的比类属内部的基因交换概率比低。