經現代醫學研究表明，DNA是現存生命最重要的遺傳物質。而遺傳則是指經由基因的傳遞，使後代獲得親代的特征。遺傳學正是研究遺傳這一現象的一門學科，除遺傳因素外，還有環境，以及環境與遺傳的交互作用也是決定生物特征的因素。
遺傳的特點
遺傳算法是一種可用於複雜係統優化的一種搜索算法，與傳統的算法相比，具有以下4個特點：第一，它是以決策變量的編碼作為運算對象；第二，遺傳算法直接以適應度作為搜索信息，無需導數等其他輔助信息；第三，遺傳算法使用多個點的搜索信息，具有隱含並行性；最後，它沒有使用非確定性規則，而是采用了概率搜索技術。
遺傳密碼的應用
遺傳算法的搜索策略和優化搜索方法是不依附於梯度信息及其它的輔助知識，而隻需要影響搜索方向的目標函數和相應的適應度函數，所以遺傳算法提供了一種求解複雜係統問題的通用框架，它不依賴於問題的具體領域，對問題的種類有很強的魯棒性，所以廣泛應用於許多科學。遺傳算法的應用領域有很多，下麵針對一些主要的應用領域做簡單的介紹。
1.函數優化。
該領域是遺傳算法得以應用的經典領域，同時它也是遺傳算法進行性能評價的常用算例，許多人構造出了各種各樣複雜形式的測試函數：連續函數和離散函數、凸函數和凹函數、低維函數和高維函數、單峰函數和多峰函數等。對於函數優化問題，如一些非線性、多模型、多目標等函數問題用遺傳算法很容易得到較好的結果，而用其他算法則較難。
2.組合優化
由於組合優化問題的搜索空間在不斷地增大，有時用枚舉法很難得到最優解。對這類複雜的問題，人們已經意識到應把主要精力放在尋求滿意解上，而遺傳算法是尋求這種滿意解的最佳工具之一。實踐證明，遺傳算法對於組合優化中的NP問題非常有效。比如，在旅行商問題、裝箱問題及圖形劃分等問題上，已經成功得以應用了遺傳算法。
三、現狀
20世紀90年代後，遺傳算法的發展迎來了它的興盛時期，理論研究和應用研究都成了極其熱門的課題。尤其是遺傳算法的應用研究顯得格外活躍，不但它的應用領域擴大，而且利用遺傳算法進行優化和規則學習的能力也顯著提高，同時產業應用方麵的研究也在摸索之中。此外一些新的理論和方法在應用研究中亦得到了迅速的發展，這些無疑均給遺傳算法增添了新的活力。遺傳算法的應用研究在不斷地發展，已從最初的組合優化求解發展到了很多更新、更工程化的應用領域。
由於遺傳算法應用領域在不斷地擴展，遺傳算法的研究引發了幾個不得不令人注目的新動向：一是基於遺傳算法的機器學習，這一新的研究課題把遺傳算法從曆來離散的搜索空間的優化搜索算法擴展到具有獨特的規則生成功能的嶄新的機器學習算法。這一新的學習機製對於解決人工智能中知識獲取和知識優化精煉的瓶頸難題帶來了希望。二是遺傳算法正在和神經網絡、模糊推理及混沌理論等智能計算方法不斷地滲透和結合。這對開拓21世紀中新的智能計算技術將具有重要的意義。三是並行處理的遺傳算法的研究非常活躍。這一研究既有利於促進遺傳算法本身的發展，又有利於促進新一代智能計算機體係結構的研究。四是遺傳算法正和一個人工生命的嶄新研究領域不斷地滲透。五是它與進化規劃以及進化策略等進化計算理論在日益地結合。EP和ES幾乎是和遺傳算法幾乎是同時發展起來的，同遺傳算法一樣，它們也是模擬自然界生物進化機製的智能計算方法，但這三者也有各自的特點。目前，關於EP、ES和遺傳算法三者間的對比研究和彼此間結合的研究和探討已成了熱點。
在20世紀90年代初，D.Whitey提出了基於領域交叉的交叉算子，它是特別針對用序號表示基因的個體的交叉，並將其應用到了TSP問題中，通過實驗對其進行了驗證。D.H.Ackley等提出了隨即迭代遺傳爬山法采用了一種複雜的概率選舉機製，此機製中由m個“投票者”來共同決定新個體的值（m表示群體的大小）。實驗的最終結果表明，與單點交叉、均勻交叉的神經遺傳算法相比，在SIGH所測試的六個函數中，其中有四個表現出更好的性能。所以從總體上看，比現存的其他算法相比，在求解速度上SIGH具有更強的競爭力。