初始数据经过选择后，就成了优化过的群体。接下来，每个选择的个体会进行交配和突变。遗传算法中的交配概率一般设计在0.6~1之间。即两个个体之间进行交配的概率。交配后将产生两个新的“子代”个体，以此代替原来的“父母”个体。其他没有进行交配的个体保持不变。交配的两个“父母”个体的染色体会进行交换。产生“子代”个体的染色体则是全新的。AB的父代，CD的母代，交配后产生AC和BD或AD和BC的子代。但交配并不是均等的，还具有随机性。
交配完成后，则进行突变，通过突变操作把“子代”个体进行再一次的更新。突变常数就是突变的关键所在，这个数值一般在0.1及以下。根据突变常数进行的突变操作，“子代”个体的染色体再一次发生变化。而这种变化看起来相当简单，仅仅改变一个字节的数据，只是0突变成1，1突变成0。
经过上述的选择、交配、突变三个过程，遗传产生的全新“子代”个体都会有别于原始的初代，并且一代代的树形结构的扩张下去。产生出的较好的“子代”个体也因适应度较高更易被继续选择成“父代”个体，继续的繁衍下去，适应度比较低个个体会迅速的从种群中淘汰出去。
1.2.2    遗传算法的特点
传统的优化算法仅仅从问题的解进行单个搜索，而遗传算法会先从搜索问题的解出发搜索其解的串集。传统优化算法为求最优解仅仅是从单个解来进行迭代。因为解决问题的出发点就是局部，得出的最优解往往只是局部最优解。而遗传算法跟传统算法的最大却别在于，遗传算法从解的串集出发，覆盖的范围更加广阔，这更有利于得出全局最优解。遗传算法也有并行处理的功能，即同时处理一个种群中的很多个体。这样既减少了最优解仅仅是局部的风险，也使算法实现并行化。
传统的优化算法使用搜索空间知识及其他的相关信息，使传统的优化算法应用范围减小，还不能任意设定个体。遗传算法评估个体的手段主要以适应度函数为主，适应度函数可以任意设定评估个体。这一评估的特点使得遗传算法的应用范围大幅度增加。遗传算法的非准确性规则，使得其具有自适应性，自组织性和自学习性。很多都是传统的优化算法无法比较的优势。
1.3    遗传算法的发展
遗传算法在第一次被提出之后，当即受到大幅关注。而遗传算法的研究成果也不断的问世。1968 年Holland 提出了著名的模式(schema)定理。这一模式的提出正式确立了遗传算法的理论研究基础。1989 年，Goldberg 出版专著“Genetic Algorithm in Search,Optimization, and Machine learning”，对遗传算法带来深远的影响。1992 年，Michalewicz出版了著作“Genetic Algorithm + Data Structure =Volutionary Programming”巨大的影响了遗传算法。1985 年，第一届国际遗传算法会议(international conference on genetic algorithms, ICGA)在美国卡耐基•梅隆大学召开。此外，进化规划年会(annual conference on Evolutionary programming, ACEP)的第一届会议在1992 年美国的加州召开。进化计算会议(IEEE conference on evolutionary computation)从1994 年开始定期召开，还有很多关于遗传算法基础研究的国际研究大会也会定期举行。
关于国内的遗传算法研究，自90年代以来，我国的遗传算法研究进入了新时期。特别最近的十几年，遗传算法的研究获得了令人瞩目的成果，这些成果在很多领域内都取得了令人骄傲的成绩。国内学者关于遗传算法研究的文献数量也不断地增加。国内的专家、学者为遗传算法的无私的付出，取得了许多的成果。在大量的研究下，国内关于遗传算法的资料也越来越多，出版的遗传算法著作也比比皆是。 遗传算法的研究+文献综述(3):http://www.youerw.com/jisuanji/lunwen_12533.html