本文是偏应用的简要总结，避开了很多科学背景（进化论、染色体、基因型、表现型...），自己认为遗传算法的科学背景内容有点多，而且对于利用遗传算法解决问题并没有很大帮助。
关于遗传算法的科学背景和具体代码，网上有很多，不重复写了。本文没有代码，而是展示一个实例中的代码运行产生的中间结果，用于辅助理解算法流程。
本文分为四个部分：
第一部分，算法简要流程
第二部分，简单实例，按照第一部分的流程整理的代码运行时的迭代过程
第三部分，关于算法的全局搜索和局部搜索的理解
第四部分，算法思路整理
1. 简要流程
Step 1. 产生一批初始解，作为当前种群（当前解集）
Step 2. 计算当前种群（当前解集）里每个解的适应度（目标函数值）
（开始进入迭代，迭代环节为Step 3 ~ Step 6）
Step 3. 种群操作：选择（当前解集的优选过程）
Step 4. 种群操作：交叉（当前解集里的解的配对更新）
Step 5. 种群操作：变异（当前解集里的解的随机变化）
Step 6. 计算当前种群（当前解集）里每个解的适应度（目标函数值）
（当满足迭代终止条件时，跳出迭代环节，执行Step 7）
Step 7. 输出搜索到的最优解
2. 流程应用实例——求一元函数最小值
例子：求函数最小值
函数为y = (x-π)^2 + 20cos(x), x∈[-5,5]
最小值：取x=π时，目标函数最小值为-20
自定义：
种群数量为8，交叉操作为交换两个解的整数部分，变异操作为解在定义域内随机取值
（算法里的每种操作都可以自由设计，而且设计方式非常多，这里只用一种简单的设计方式）
代码运行迭代过程：（按第一部分的流程整理标注）
Step 1. 初始化时，解集为
0.915098 -2.22465 -1.22089 4.34751 -3.099 1.47938 -4.0173 -2.11203
Step 2. 计算每个解的目标函数值
0.915098 17.1515
-2.22465 16.6316
-1.22089 25.8874
4.34751 -5.6824
-3.099 18.9632
1.47938 4.58862
-4.0173 38.4408
-2.11203 17.2967
此时最优解：4.34751 对应目标函数值：-5.6824
第一轮迭代：
Step 3. 选择过后，解集变为
4.34751 -3.099 4.34751 -2.22465 -4.0173 -2.11203 4.34751 1.47938
Step 4. 交叉过后，解集变为
4.34751 -4.099 2.34751 -1.22465 -4.0173 -2.11203 3.34751 4.47938
Step 5. 变异过后，解集变为
4.34751 -4.099 1.96951 -0.614795 -4.0173 -2.11203 3.34751 4.47938
Step 6. 计算每个解的目标函数值
4.34751 -5.6824
-4.099 40.9134
1.96951 -6.39093
-0.614795 30.4483
-4.0173 38.4408
-2.11203 17.2967
3.34751 -19.5351
4.47938 -2.82834
此时最优解：3.34751 对应目标函数值：-19.5351（观察可知，由交叉环节得到）
第二轮迭代：
Step 3. 选择过后，解集变为
3.34751 1.96951 -0.614795 -4.099 -0.614795 -2.11203 4.34751 1.96951
Step 4. 交叉过后，解集变为
3.34751 0.969512 -1.6148 -4.099 -0.614795 -2.11203 4.34751 1.96951
Step 5. 变异过后，解集变为
3.34751 0.969512 -1.6148 -4.099 -0.614795 -3.07886 4.34751 1.96951
Step 6. 计算每个解的目标函数值
3.34751 -19.5351
0.969512 16.032
-1.6148 21.7435
-4.099 40.9134
-0.614795 30.4483
-3.07886 18.7334
4.34751 -5.6824
1.96951 -6.39093
此时最优解：3.34751 对应目标函数值：-19.5351
第三轮迭代：
Step 3. 选择过后，解集变为
3.34751 1.96951 -0.614795 -4.099 1.96951 3.34751 4.34751 3.34751
Step 4. 交叉过后，解集变为
3.34751 3.96951 -4.6148 -0.099002 3.96951 1.34751 4.34751 1.34751
Step 5. 变异过后，解集变为
3.34751 3.96951 -4.6148 3.24091 3.96951 1.34751 4.34751 1.34751
Step 6. 计算每个解的目标函数值
3.34751 -19.5351
3.96951 -12.8427
-4.6148 58.2128
3.24091 -19.8916
3.96951 -12.8427
1.34751 7.64734
4.34751 -5.6824
1.34751 7.64734
此时最优解：3.24091 对应目标函数值：-19.8916（观察可知，由变异环节得到）
迭代以此类推
3. 全局搜索 VS 局部搜索
全局搜索：群体算法，全局搜索能力强，解集里的解有几率变动到解空间的任意地方
局部搜索：交叉变异可以认为是在解的邻域内搜索
交叉变异共同完成全局搜索和局部搜索
4. 核心思路
选择环节保留优解，交叉变异环节在优解的基础上产生新解。整体来看，优良解经过拆分和重组，使优良解的片段得到保留，并在优良解的片段的基础上不断进化出新解，使整体解集逐渐变优。