(1) 参数编码：遗传算法一般不直接处理问题空间的参数而是将待优化的参数集进 行编码，一般总是用二进制将参数集编码成由 0 或 1 组成的有限长度的字符串。

(2) 初始种群的生成：随机地产生 n 个个体组成一个群体，该群体代表一些可能解的

集合。GA 的任务是从这些群体出发，模拟进化过程进行择优汰劣，最后得出优 秀的群体和个体，满足优化的要求。

(3) 适应度函数的设计：遗传算法在运行中基本上不需要外部信息，只需依据适应度 函数来控制种群的更新。根据适应度函数对群体中的每个个体计算其适应度，为 群体进化的选择提供依据。设计适应度函数的主要方法是把问题的目标函数转换 成合适的适应度函数。

(4) 选择（复制）：按一定概率从群体中选择 M 对个体，作为双亲用于繁殖后代，产 生新的个体加入下一代群体。即适应于生存环境的优良个体将有更多繁殖后代的 机会，从而使优良特性得以遗传。选择是遗传算法的关键，它体现了自然界中适 者生存的思想。

(5) 杂交（交叉）：对于选中的用于繁殖的每一对个体，随机地选择同一整数  n，将 双亲的基因码链在此位置相互交换。交叉体现了自然界中信息交换的思想。

(6) 变异：按一定的概率从群体中选择若干个个体。对于选中的个体，随机选择某一 位进行取反操作。变异模拟了生物进化过程中的偶然基因突变现象。