Генетический алгоритм является эвристикой оптимизации, которая вдохновлена принципами, которые управляют биологической эволюцией: изменение (следующий из мутации и рекомбинации), наследование и выбор. По сравнению с традиционными методами поиска, такими как спуск градиента, восхождение на вершину, генетические алгоритмы имеют способность сбежать из локальных минимумов/максимумов.

Функциональность генетических алгоритмов определяется генетическими операторами и их стратегиями: поколение начального населения, перекрестного соединения, мутации, вариантов решения, медицинская оценка (функция фитнеса). Существуют более разные подходы для разработки генетических операторов, и это разумно для различных типов задач оптимизации. Это поддерживает высокую гибкость генетических алгоритмов.

Население, в коротком значении, является рядом предложенных решений, где решение является хромосомой. После оценки тех решений GA будет следовать за самым эффективным. Это означает, что эти кандидаты решений оценены с помощью функции фитнеса что в некотором роде очки их на их способности решить желаемую проблему. Выше решения для выигрыша имеют "потомков", которые являются результатом применения случайных изменений (мутации) им. Часто, рекомбинация также используется путем смешивания двух или больше высоко выигрывающих решений.

Мощность GA мы видим также использование другого типа кодирования населения и презентации модели символа. В модели мы можем легкий представлять различные значения истинной сущности характеристик в цифровой презентации. Так, мы можем управлять значениями различной природы в единственной цели (функция фитнеса).

Генетические алгоритмы являются подмножеством категории эволюционного алгоритма. Традиционно, генетические алгоритмы представляют решения проблемы оптимизации как серия 0s и 1 с, хотя более свежие подходы включили более сложные представления.

Генетическое программирование родственного термина обращается к алгоритмам, в которых эволюция применяется к коду, а не к более абстрактному представлению решения.