Thuật toán di truyền (GAs) đƣợc sử dụng rộng rãi trong nhiều lĩnh vực, là thuật toán tối ƣu dựa trên thuật toán ngẫu nhiên, các toán tử di truyền trên quần thể là các giải pháp có thể có của vấn đề đƣợc xem xét (các cá thể). Cấu trúc dữ liệu chính là bộ gen (Genome) và nhiễm sắc thể (Chromosome) - là tập bao gồm tập các Gen (Genes) và giá trị thích nghi (Fitness value). Trong quần thể các lời giải có thể có, tập các cá thể mới đƣợc tạo ra bởi toán tử di truyền đƣợc gọi l cá thể con.
Để đánh giá các cá thể trong mỗi thế hệ một hàm thích nghi đƣợc định nghĩa để đo độ “thích nghi” của cá thể đó. Mỗi cá thể đƣợc cho là sẽ đem lại một độ đo thích hợp về hệ số thích nghi của nó, có nghĩa là “mặt tốt” của lời giải mà nó biểu diễn. Tại mỗi phép lặp (thế hệ) việc đánh giá hệ số thích nghi đƣợc thực hiện trên tất cả các cá thể. Nên ở tại bƣớc lặp tiếp theo, quần thể mới đƣợc sinh ra, bắt đầu từ các cá thể có sự thích nghi cao nhất và thay thế hoàn toàn hoặc một bộ phận của thế hệ trƣớc. Các toán tử di truyền đã đƣợc sử dụng để tạo ra các cá thể mới đƣợc chia nhỏ thành hai phạm trù
chính: phép toán một ngôi (unary) tạo ra các cá thể mới, thay thế các cá thể hiện tại với kiểu đã đƣợc thay đổi (chẳng hạn nhƣ đột biến, sự thay đổi ngẫu nhiên của gene), và phép toán hai ngôi (binary), tạo ra cá thể mới thông qua việc kết hợp dữ liệu của hai cá thể (ví dụ nhƣ lai ghép, trao đổi nhiễm sắc thể giữa hai cá thể). Mỗi bƣớc lặp đƣợc gọi là một thế hệ.
Việc nghiên cứu thuật toán GAs dẫn đến nhiều chƣơng trình tiến hoá tổng quát (EPs) hơn [16], hay tổng quát hoá GAs. Trong các GAs chuẩn, một cá thể đƣợc biểu diễn bởi bằng xâu nhị phân có độ dài cố định, mã hoá tập tham số tƣơng ứng với lời giải mà nó biểu diễn; toán tử di truyền tác động lên các mã nhị phân này. Trong chƣơng trình tiến hoá, các cá thể đƣợc biểu diễn bởi cấu trúc dữ liệu tổng quát hoá mà không có sự bắt buộc về độ dài cố định [17], [13].