进化算法是基于许多基本原则，该算法在个体的集合中运行。在自然世界中，个体是与有机体联系到一起的。在进化算法中，个体是解决问题方案中的一个候选者。个体数的不同和实现之间的变化可能会通过算法实现过程。每个个体所具有的一些特点通过定义其基因型，遗传组成而来。这些特征可以遗传给后代的个体。突变的过程（小的随机变化）或交叉（产生的一个从两个人结合的新的基因型）可能发生，产生新个体的不同基因型这是原始的后代。新个体可能会修改或完全代替原始的那一个。这些过程重复的出现，从而修改了人口特性。这些人口数量的保持或作为父母的后代往往取决于一些外部因素——这是种群的适应度函数，可以改善发生。这对应了在自然界中健康的有机体，整个过程具有随机成分允许探索不同的解决方案。31502
 这里有3条主要的链被称为进化算法研究。第一——荷兰研究遗传算法的区域。第二——由许多德国的工程师提出——在这一领域，进化策略致力于工程应用。第三——进化编程,最初的动机是从智能机器，其他两个是相关的。论文网
遗传算法是在集合中的个体的基础上实施，其中每个人都拥有一个基因型通过编码候选人来解决这个问题。通常基因型进行比特串编码，但其他编码在GA算法的发展之后应用。突变、交叉以及选择用于选择解决问题的方法。遗传算法可能代表最活跃和密集的分工进化进行计划研究——以及若干的书，他们刺激了几个主要的会议区。此外他们导致了许多应用在不同的广泛的领域中。
进化策略是几个德国工程师为了理解在流体力学中的问题而提出的一种尝试，进化策略和遗传算法在操作上的实值参数不同，他们往往不适用交叉变异算子而只适用于突变，然而突变在进化策略中有自己的速率。这是在遗传算法中不经常见到，进化策略也被用于许多应用。进化编程明显是起源于另外两股进化计算，试图通过了解智能机器从有限状态机演化。进化编程强调了表现型的演化而不是个人的基因型，父母和后代的表现型之间的关系。而杂交没有用到.因此，进化编程向另外一种进化算法的研究靠近还是有不同的地方。然而，他们也有在许多领域之间的重叠也在许多领域中应用
  除了3股主要的进化计算研究，还有一些其他类型的算法值得考虑。遗传编程可以作为遗传算法的一个变种，在个体的基因型为代表的执行程序。具体来说，解决方案在适当的编程语言中为树状体现。遗传编程的功能是特定的、最有效的来解决特定的问题。学习分类系统是另一个变异的遗传算法，重点是基于机器规则的学习，这里的问题是提高通过迭代误差的控制问题的学习用已使用的控制规则。更多信息，见金尼等人。此外，所谓的混合遗传算法是经常使用的，这是根据一个特定的进化算法的变体但被其他启发式算法修改，通常不基于自然夹杂和常见的特定领域。另外，摩特的文章也用了这样的混合技术。
发展趋势
    进化算法的应用保持着宽泛的应用领域。其中一种进化算法的研究专门为了解决特定的工程应用（进化策略）。进化计算的应用范围通常有几个地方——进化计算手册,Evonet网站,书,调查报告,会议。
    本文关注的是在特定的应用程序和电信，与这些地区的计算机技术和相关的电信，通信的一些评论进化算法的应用是可用的阳离子。这些文件确定的通信问题中的应用分成几大类例如网络设计，网络路由器，网络恢复，波长的分配，频率的分配。引用到的具体例子看Smith和Sinclair.研究人员和BT合作已经在许多不同得到应用。 进化算法国内外研究现状和发展趋势:http://www.youerw.com/yanjiu/lunwen_27691.html