全局最优解求解能力。4对函数的性态无要求，针对某一问题的遗传算法经简单修改即可适应于其他问题，或者加入特定问题的领域知识，或者与已有算法相结合，能够较好地解决一类复杂问题，因而具有较好的普适性和易扩充性。5遗传算法的基本思想简单，运行方式和实现步骤规范，便于具体使用。
f2遗传算法对问题的描述对于一个求函数最大值的优化问题（求函数最小值也雷同）一般可描述为下述数学规划，模型：
fXmaxstX∈RRU
1
式中，Xx1x2…x
T为决策变量，fX为目标函数，X∈R和RU为约束条件，U是基本空间，R是U的一个子集。集合R表示由所有满足约束条件的解所组成的一个集合，叫做可行解集合。它们的关系如图1所示。可行解基本空间U可行解集合RX
图1最优化问题的可行解及可行解集合在遗传算法中，将
维决策向量Xx1x2…x
T用
个记号Xi（i1，2，…，
）所组成的符号串X来表示：XX1X2…X
Xx1x2…x
T把每个Xi看作一个遗传基因，它的所有可能取值称为等位基因，这样，X就可看做是由
个遗传基因所组成的一个染色体。一般情况下，染色体的长度
是固定的，但对一些问题
也可以是变化的。根据不同的情况，这里的等位基因可以是一组整数，也可以是某一范围内的实数值，或者是纯粹的一个符号。最简单的等位基因是由0和1这两个整数组成的，相应的染色体就可表示为一个二进制符号串。这种编码所形成的排列形式X是个体的基因型，与它对应的X值是个体的表现型。通常个体的表现型和基因型是一一对应的，但有时也允许基因型和表现型是多对一的关系。染色体X也称为个体X，对于每个个体X，要按照一定的规则确定出其适应度。个体的适应度与其对应的个体表现型X的目标函数值相关联，X越接近于目标函数的最优点，其适应度越大；反之，其适应度越小。在遗传算法中，决策变量X组成了问题的解空间。对问题最优解的搜索是通过对染色体X的搜索过程来进行的，从而由所有的染色体X就组成了问题的搜索空间。生物的进化是以集体为主体的。与此相对应，遗传算法的运算对象是由M个个体所组成的集合，称为群体（或种群）。与生物一代一代的自然进化过程相类似，遗传算法的运算过程也是一个反复迭代的过程，第ｔ代群体记做Pt，经过一代遗传和进化后，得到第t1代群体，它们也是由多个个体组成的集合，记做Pt1。这个群体不断地经过遗传和进化操作，并且每次都按照优胜劣汰的规则将适应度高的个体更r