در حالت کلی وقتی یک الگوریتم ژنتیک اعمال می‌شود چرخه زیر را طی می‌کند:

ابتدا یک جمعیت اولیه از افراد به طور اتفاقی و بدون در نظرگرفتن معیار خاصی انتخاب می‌شود. برای تمامی کروموزوم‌های(افراد) نسل صفر مقدار برازش با توجه به تابع پردازش که ممکن است بسیار ساده یا پیچیده باشد تعیین می‌شود. سپس با مکانیزم‌های مختلف تعریف شده برای عملگر انتخاب زیرمجموعه‌ای از جمعیت اولیه انتخاب خواهد شد. سپس روی این افراد انتخاب شده عملیات برش و جهش در صورت لزوم با توجه به صورت مسأله اعمال خواهد شد.

حال باید این افراد که مکانیزم الگوریتم ژنتیک در موردشان اعمال شده است با افراد جمعیت اولیه (نسل صفر) از لحاظ مقدار برازش مقایسه شوند. (قطعاً توقّع داریم که افراد نسل اول با توجه به یکبار اعمال الگوریتم‌های ژنتیک روی آنان از شایستگی بیشتری برخوردار باشند، اما الزاماً چنین نخواهد بود.) به هرحال افرادی باقی خواهند ماند که بیشترین مقدار برازش را داشته باشند. چنین افرادی در مقام یک مجموعه به عنوان جمعیت اولیه برای مرحله بعدی الگوریتم عمل خواهد کرد.

هر مرحله تکرار الگوریتم یک نسل جدید را ایجاد می‌کند که با توجه به اصلاحاتی که در آن صورت پذیرفته است رو به سوی تکامل خواهد داشت. تذکر این نکته خالی از لطف نیست که هر چند الگوریتم‌های ژنتیک دارای پایه ریاضی متقن و مشخصی نیستند اما به عنوان یک مدل اجرایی و مطمئن که به خوبی نیز پیاده سازی می‌شود کارایی خود را نشان داده‌اند.

بنابر­این، می­توان به اختصار گفت که الگوریتم ژنتیک در گام­های پنچ گانه: ۱- جمعیت اولیه (مجموعه­ای از جواب­های اولیه)، ۲-اعمال عملگر­های جهش و تولید مثل برای یافتن نسل جمعیت بزرگ­تر، ۳- محاسبه ارزش هر یک از جواب­های سابق و جواب­های تولید­شده جدید، ۴- بکارگیری مکانیزم انتخاب برای مشخص شدن اعضای نسل جدید. شکل ۱ فلوچارت الگوریتم ژنتیک را در حالت کلی نشان می­دهد.

شکل ۱: فلوچارت الگوریتم ژنتیک را در حالت کلی نشان می­دهد.

۱

 بهینه سراسری و محلی در الگوریتم GA

همانطور که در شکل (۲) مشخص است، منحنی تابع دو متغیره داده­شده دارای دو نقطه ماکزیمم است که یکی از آنها ماکزیمم محلی است. اگر از روش‌های کلاسیک بهینه‌سازی ریاضی و نقطه B شروع کنیم ممکن است در نقطه  ماکزیمم محلی توقف کنیم. اما در روش‌های هوشمند، به ویژه الگوریتم ژنتیک، بدلیل خصلت تصادفی آنها (عملگرهای جهش و تولید مثل) حتی اگر هم از نقطه B شروع کنیم باز ممکن است در میان راه نقطه A به صورت تصادفی انتخاب شود که در این صورت شانس رسیدن به نقطه ماکزیمم سراسری و عبور از ماکزیمم محلی افزایش می­یابد می­شود.

شکل ۲: یک تابع دو متغیره و نقاط بهینه سراسری و محلی

۲