遗传算法不仅可作为搜索和优化的一种方法，而且还可作为一种机器学习技术。例如，可以将基于遗传算法的机器学习应用于分类系统。霍勒德等人将分类系统视为一种认知模型，其可在环境中学习一些简单的串规则（string rules）（又称为分类器），以指导系统的行为。
一个分类系统包含以下三个组成部分：
1、执行系统；
2、评价系统；
3、遗传算法（GA）。
执行系统是最低层的与环境直接交互的子系统，它的作用象一个基于产生式规则的专家系统。每条规则称为一个分类器。但这种规则比较简单，其条件和动作部分都是串，起着传递消息的作用。
分类系统的学习是通过系统从环境中获得反馈信息而进行的，即通过评价分类器（规则）的正确性和效率来实现。这种评价行为由评价系统完成。其中一种有名的评价方法叫组桶式（bucket brigade）算法。
处于最高层的是遗传算法子系统。该子系统产生新的规则去替代系统中效率不高的规则。新规则的产生（发现）方法是利用遗传算法, 根据规则的适应度进行选择、组合和替代。
1. 执行系统
执行系统实际上是一个简单的产生式系统,产生式规则形如：
if <条件> then <动作>
在分类系统里，规则的条件和动作都是串（以便于GA处理）。条件部分的串说明了规则所能匹配的消息集合，而动作部分则说明了规则执行时要发送的消息。
为简便起见，设串长为k，由表{0,1,#}中的三种元素组成，其中#表示"不关心"。条件串中的#表示可与0或1匹配，而动作串中的#表示一种消息传递，即该位的值等于与条件串匹配的消息的对应位值。
例如，设k＝4，有规则为：
if #10# then 010#
若现有消息1101，与规则匹配后，该规则将发送消息0101。
为方便表示，我们可将规则（分类器）的形式改为：
<条件>:<动作>
在匹配规则时，分类系统采用的是并行激活策略，即所有匹配的规则都执行其动作部分，不存在一般产生式系统中的冲突消解问题。当然，若在实际应用中，已激活规则的应用必须是互斥的，或对输出（作为规则执行的结果）的消息个数有限定，那么可依据规则(分类器)的评价值作出选用决定(见以后说明)。
执行系统基本上重复执行以下步骤：
1、将输入的消息放入消息队列中；
2、将消息队列中的所有消息与所有分类器的条件做比较；
3、将所有能匹配的分类器所产生的消息放入一个新的消息队列中；
4、用新的消息队列取代老的消息队列；
5、将消息队列中的消息加以解释并输出。
其中2－4步可循环进行，直到没有分类器可与消息队列中的消息匹配为止。
下面举一例子来说明这种匹配过程，设输入消息为0111，分类器有四个：
1）01##: 0000
2）00#0: 1100
3）11##: 1000
4）##00: 0001
首先，该消息与分类器1匹配，产生消息0000。消息0000又与分类器2和4匹配，产生两条消息1100和0001。其中1100与分类器3和4匹配，分别产生1000和0001。最后，消息1000与分类器4匹配产生0001，处理过程结束。
在传统的产生式系统中，当有多条规则同时能与当前事实匹配时，往往要决定选用哪条已激活规则，即冲突消解。一般的冲突解决方法是对规则的重要性作出区别，且这种区别往往是事先给定的。在分类系统中，虽然可以并行（全部）地执行已激活规则，但为了引入学习机制以不断完善分类规则，就有必要对规则（分类器）在系统运行时的表现做个评价，以支持对它们的选用。
2. 评价系统--组桶式算法
评价系统的目的是: 给每个分类器在系统运行时对执行结果的贡献作个评价（或打分）。实现评价的方法很多，其中最有名的是组桶式算法（简称BBA）。
BBA可理解为一个进行情报买卖的交易所，交易人是分类器。分类器作为一个中间商只与"上家"（发送消息使该中间商激活的分类器）和"下家"（其条件部分为该中间商所发）作交易。因此，分类器形成了一条从消息"制造者"（系统输入）到消息"消费者"（系统输出）之间的中间商链。
作为中间商，分类器的条件获得匹配时，并不马上发送消息，而是与其它几个同样获得匹配的分类器竞争(并非只有一个获胜)。为了表示分类器的竞争力，我们可给每个分类器分配一个参数值以表示它的价值，不妨称之为"力度"（strength）。力度越大的分类器越有竞争性，亦即越有价值。分类器之间的竞争采用竞价体系。每个获得匹配的分类器根据其力度s按某种比例出个价B。一旦该分类器被激活，其力度将被减去B，同时将所出价B付给提供消息的上家。当然若该分类器能进一步激活其它分类器（下家），它也同样能从中得到补偿。
前面讲过，当有许多分类器能与当前消息匹配时，可并行执行这些激活的分类器。此时，分类器力度的主要作用体现在遗传算法子系统：经遗传操作产生的新的分类器将取代力度最弱的分类器。由于有力度值来衡量分类器的价值，因而也可以不采用并行激活策略。例如，只执行有最强力度的已激活分类器，或根据力度大小决定各分类器的激"程度"，然后执行激活程度高的一个（或几个）分类器。
可以证明，经过足够长的时间(n→∝)后，分类器i的力度将收敛于常数Rs/k，即回报值的k分之一。
3. 执行系统
尽管BBA算法提供了一种评价和选取竞争分类器的方法，但还须有一种产生新的更好的分类器的方法，以不断增强分类系统的性能。这种方法就是遗传算法。
由于分类器的条件和动作部分都是固定长度的串，应用遗传算法产生新的分类器就很自然了。设条件和动作串的长度均为L，我们可以将条件和动作串的拼接（代表一个分类器），即长度为2L的串作为GA的操作对象──个体，而当前分类器的集合作为当前群体, 通过GA的三个操作（选择、交换、突变）来产生新的分类器。
但分类系统中的遗传算法与前面讨论的简单遗传算法（SGA）还略有不同，主要表现在：
1) 群体的变化。在SGA中，由于我们是寻求问题的最优解，只要求群体能收敛于最优解，因此产生的新一代群体将完全取代上一代群体。而在分类器系统中，我们的目的是要发现有更高性能的分类器集合，因而有必要保留在上一代群体中已有较好性能（力度值较大）的分类器，亦即只要用近期发现的新分类器取代上一代群体中性能较差（力度值较小）的分类器即可。
2) 个体的适应度。SGA用面向优化的目标函数来评价个体的适应度，而分类系统则用分类器的力度去表示分类器的适应度。对于用交换或变异操作产生的新分类器，力度初始值可有多种计算方法。一种典型的方法是：如果后代从交换中产生，则将两个父代的力度值各减去1/3，同时将被减值之和作为后代的力度值；如果后代从变异中产生，则将父代的力度值减半，并将被减值作为后代力度值。
3) 突变操作。在SGA中，串的元素是0或1，因而突变操作是在0和1之间转换，而分类器的串是由{0,1,#}三种元素组成,因而某一元素的突变是等概率地被转换为其它两个元素, 即{0→1或#, 1→0或#, #→0或1}
在分类系统中，GA仅作为系统的一部分功能，且GA的运行穿插在执行系统的循环中。GA的运行时机可以是确定的（即在执行系统运行t次后，调用一次GA运算）或随机的（即执行系统平均运行t次后，有一次GA调用）；也可以是在某些事件发生后再调用GA（如没有分类器可以匹配或系统性能变差）。
