The genetic algorithm (<acronym>GA</acronym>) is a heuristic optimization method which operates through randomized search. The set of possible solutions for the optimization problem is considered as a <firstterm>population</firstterm> of <firstterm>individuals</firstterm>. The degree of adaptation of an individual to its environment is specified by its <firstterm>fitness</firstterm>. 遺伝的アルゴリズム（GA）は発見的な最適化手法で、無作為の検索として働きます。 最適化の問題に対する解の集合は個体群とみなされます。 個体の環境への順応の度合は適応度によって指定されます。

The coordinates of an individual in the search space are represented by <firstterm>chromosomes</firstterm>, in essence a set of character strings. A <firstterm>gene</firstterm> is a subsection of a chromosome which encodes the value of a single parameter being optimized. Typical encodings for a gene could be <firstterm>binary</firstterm> or <firstterm>integer</firstterm>. 検索空間の中で個体の同格性は、その実体が文字列の集合である染色体によって表現されます。 遺伝子は最適化をしようとしている1つのパラメータの値を符号化する染色体の一部分です。 遺伝子の符号化の典型的な例としてバイナリもしくは整数が挙げられます。

Through simulation of the evolutionary operations <firstterm>recombination</firstterm>, <firstterm>mutation</firstterm>, and <firstterm>selection</firstterm> new generations of search points are found that show a higher average fitness than their ancestors. <xref linkend="geqo-figure"/> illustrates these steps. 進化の過程のシミュレーションである、再組合せ、突然変異、淘汰を通して、祖先よりも適応度の平均が高い新世代の検索点が見つけられます。 この段階を図 62.1で図解しています。

According to the <systemitem class="resource">comp.ai.genetic</systemitem> <acronym>FAQ</acronym> it cannot be stressed too strongly that a <acronym>GA</acronym> is not a pure random search for a solution to a problem. A <acronym>GA</acronym> uses stochastic processes, but the result is distinctly non-random (better than random). comp.ai.geneticのFAQによると、GAが問題に対する純粋な無作為検索ではないことをどんなに強調してもし過ぎということはありません。 GAは確率的なプロセスを使いますが、結果は明らかに（無作為よりもより良い）非無作為です。