则，而是采用概率的变迁规则来指导它的搜索方向。概率不仅仅是作为一种工具来引导其搜索过程朝着搜索空间的更优化的解区域移动的。虽然看起来它是一种盲目搜索方法，实际上它有明确的搜索方向，具有内在的并行搜索机制。（5）遗传算法在搜索过程中不容易陷入局部最优，即时在所定义的适应度函数是不连续的、非规则的或有噪声的情况下，也能以很大的概率找到全局最优解。（6）遗传算法采用自然进化机制来表现复杂的现象，能够快速可靠地解决求解非常困难的问题。（7）遗传算法具有固有的并行性和并行计算的能力。（8）遗传算法具有可扩展性，易于同别的技术混合使用。遗传算法作为一种优化算法，也有它自身的局限性：（1）编码不规范及编码存在表示的不准确性。（2）单一的遗传算法编码不能全面地将优化问题的约束表示出来。考虑约束的一个方法就是对不可行解采用阈值，这样，计算的时间必然增加。（3）遗传算法通常的效率比其他传统的优化方法低。（4）遗传算法容易出现过早收敛。（5）遗传算法对算法的精度、可信度、计算复杂性等方面，还没有有效的定量分析方法。遗传算法的基本内容如下：个体和种群。个体就是模拟生物个体而对问题中的对象（一般就是问题的解）的一种称呼，一个个体也就是搜索空间中的一个点。种群populatio
就是模拟生物种群而由若干个体组成的群体，它一般是整个搜索空间的一个很小的子集。适应度与适应度函数。适应度fit
ess就是借鉴生物个体对环境的适应程度
f而对问题中的个体对象所设计的表征其优劣的一种测度。适应度函数（fit
essfu
ctio
）就是问题中的全体个体与其适应度之间的一个对应关系。它一般是一个实值函数。该函数就是遗传算法中指导搜索的评价函数。染色体与基因。染色体（chromosome）就是问题中个体的某种字符串形式的编码表示。字符串中的字符也就称为基因（ge
e）。例如个体上9，染色体的表示形式是1001，0和1是染色体上的基因。遗传操作。也称为遗传算子，就是关于染色体的运算。遗传算法中有三种遗传操作：选择复制，交叉和变异。
四、遗传算法的流程
遗传算法在整个进化过程中的遗传操作是随机的，但它所呈现出的特性并不是完全搜索，它能有效地利用历史信息来推测下一代期望性能有所提高的寻优点集。这样一代代的不断进化，最后收敛到一个最适应环境的个体上，求得问题的最优解。遗传算法所涉及的五大要素是：参数编码、初始种群的设定、适应度函数的设计、遗传操作的设计和控制参数的r