对于遗传算法的交叉算子的改进也同样受到了我国重视。2002 年，我国科学家戴晓明采用了不同的试验方法来验证不同的生物种群，也为我国在遗传算法上的发展提供了许多科学基础，例如在计算生物遗传变异的概率式，他选择用不同的变异算子来搜索空间变量，而种群间的迁移算子就决定了生物遗传的信息交流量。
2004年，关于在优化组合的问题上，赵宏立等科学家认为使用遗传算法得搜索效率不是很高，所以它们共同提出了一种并行遗传算法，也就是运用基因块编码的方法。

2.3 遗传算法的基本概念
由于遗传算法是一种启发式的基于进化搜索优化方法遗传理论，因此需要在该算法中使用不同的进化和遗传概念，现提出了如下方法：
    1、串（String）：遗传学中的每个染色体(Chromosome)也就相当于计算中的二进制的字符串，作为个体形式存在。
    2、种群大小（Population Size）：种群中个体的数量称为种群的大小。
3、种群（Population）：所有个体的总和称之为种群。 
4、基因型（Genotype ）：基因型是性状染色体再其内部的表现。
5、 基因（Gene）：串是基因的集合。比如由一个串是S ＝11010，其中的1,1,0,1,0 这5 个元素分别称为基因。这个值被称为等位基因（Alletes ）。
6、表现型(Phenotype)：个体的染色体决定性状的外部表现。
7、适应度（Fitness ）：个体在环境中的适应能力。适应函数的引入是用来衡量染色体的适应度。 这个函数具备计算个体的使用概率。
2.4 遗传算法的基本原理
2.4.1 遗传算法的基本流程
遗传算法的随机性是相对的，它在进行生物进化的遗传操作时是随机选择的，但是得到的结果却不完全是随机的，它有时可以通过以往的历史信息来推测出其结果。一直这样进化下去直到收敛在一个最适应环境的个体上，因而达到所需的目的。遗传算法所涉及的五个重要要素是：编码、设计适应度函数、规定控制参数和初始群体和设计遗传操作。 Matlab小生境遗传算法的多峰函数优化问题研究(4):http://www.youerw.com/zidonghua/lunwen_13413.html