进入90年代后，遗传算法在各个领域都越来越火热了起来，迎来了它的兴盛发展期，在理论和实际应用都很有了很多相关研究。此外，一些新的理论和应用研究方法也得到了迅速发展，这无疑又为遗传算法增加了新的活力。遗传算法的应用已经从懵懂无知，开始在更新发展，现在有更工程化的应用和解决许多组合优化。随着应用领域的不断扩大，遗传算法已经产生几个令人耳目一新的新方向：一个是基于从传统的离散遗传算法的搜索空间扩展到新的机器学习算法的搜索算法，这种新的搜索方法在机器学习方面的良好应用为解决完善人工智能问题大有卑益有。二，遗传算法和其它算法的界线越来越模糊，使得它可以和其它智能计算方法相互渗透融合，并结合这一开创性的想法，使得GA算法对于21世纪全新的智能计算技术将具有重要的意义。第三，现如今遗传算法的研究已经进行到不局限于算法本身，而是渗透到了新一代的智能计算机体系的结构组成，并成为其重要的一环。四，遗传算法在涉及新的研究领域如人工生命时。考虑到人工生命是一种生命的现象，其中的自适应生物进化和免疫现象是人工生命研究的重要对象，所谓的人工生命的计算机是模拟多姿多彩的大自然，而遗传算法通过和遗传算法和进化规划（EP）和进化策略（ES）的结合来完善进化计算理论。 EP和ES几乎同时相辅相成于遗传算法的自主开发，与遗传算法类似，他们也都是具有与遗传算法相似的自然生物进化机制的智能仿真的计算方法，也有自己的特点。目前，有很多的研究和讨论在遗传算法、EP和ES之间，其中如何合理相互结合是热点的形成。48290

    1991年D.Whitey在他的学术性论文中提出了一种算法基于其交叉领域进行交叉操作（邻接交叉），同时标定序列号来表示特定个体交叉的基因，并将其应用到实验，通过实验验证了TSP问题。 D.H.Ackley提出了一个随机的迭代遗传爬山法（SIGH）,采用了复杂的概率选举机制。

    1992年，李耘博士生（英国格拉斯哥大学）打破了原来的二进制的遗传算法、提出了其它进制如七进制、十进制的整数、浮点等基因，此举是为了打破二进制遗传算法原先的一些局限性，使得它能更好处理一些模糊参量和系统结构优化的一些问题，此举也可被看做是创造了1997最受欢迎的遗传算法，甚至可能是世界上最早的遗传进化算法的网上程序（EA），这种算法很有效的帮助那些进化算法的新手了解它的工作原理以及编程。

由于遗传算法风靡一时的火热，在我们国内也涌现出很多专家学者，他们通过对于遗传算法中的交叉算子进行改变和完善。如在2002年，著名专家学者戴晓明等人应用创超多个种群来同时进化的思想，对于多种群中的不同种群采用合适其特性的遗传策略，如通过遗传算法中的参数变异概率以及不同的变异算子来进行再变量空间的搜索，然后利用这种变异算子来进行信息的传递交流，通过这种方式来解决传统的遗传算法在局部收敛时就结束的局部的最优值问题。

由于简单的遗传算法在规模较大的组合优化问题上搜索效率比较低下，针对这种遗传算法的乏力之处，在2004年，著名专家赵宏立等人提出了一种利用基因块来进行编码的并行遗传算法（BCPGA）。

在2005年时，为了解决传统的通过并行遗传算法解决TSP问题，江雷等著名专家学者论文网，他们采用了弹性策略来保持一个种群的多样性，这样可以使算法越过局部收敛的局限，向更好的全局最优解进发。

发展趋势

    遗传算法受到了越来越广泛的重视。其具体发展过程如下所述：