ایجاد جمعیت اولیه (مجموعه‌ای از جواب‌های شدنی)
تعیین تابع برازندگی
اعمال عملگرهای ژنتیکی
۱.۴. انتخاب
۲.۴. ترکیب یا ادغام
۳.۴. جهش
جایگزینی جمعیت جدید
بررسی همگرایی
تکرار رویه
در ادامه به شرح هر کدام از مراحل روند الگوریتم ژنتیک می­پردازیم.

کدگذاری^[۱۰۴]
این مرحله شاید مشکل­ترین مرحله­ حل مسأله به روش الگوریتم باشد. الگوریتم ژنتیک به جای این­که بر روی پارامترها یا متغیرهای مسأله کار کند، با شکل کد شده آن­ها سروکار دارد (عباسی­کیا، ۱۳۸۸).
تعداد بیت­هایی که برای گدگذاری متغیرها استفاده می­ شود به دقتِ مورد نظر برای جواب­ها، محدوده تغییر پارامترها و رابطه­ بین متغیرها وابسته است. رشته یا دنباله­ای از بیت­ها که به عنوان شکل کدشده یک جواب از مسأله مورد نظر می­باشد «کروموزوم» نامیده می­ شود. در حقیقت بیت­های یک کروموزوم نقش ژن­ها در طبیعت را بازی می­ کنند (خلیلی­نیا، ۱۳۹۰، عباسی­کیا، ۱۳۸۸).
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

روش‌های کد کردن
انواع کدینگ (کدگذاری) عبارتند از (خلیلی­نیا، ۱۳۹۰، عباسی­کیا، ۱۳۸۸):
کدینگ باینری
کدینگ جایگشتی
کدینگ مقدار
کدینگ درختی
با توجه به این­که در روش پیشنهادی در این پایان نامه از روش کدینگ جایگشتی استفاده می­ شود تنها به شرح آن می­پردازیم.

کدینگ جایگشتی^[۱۰۵]
در این روش، کروموزوم‌ها به صورت رشته‌ای از اعداد طبیعی نشان داده می‌شوند که هرکدام از این اعداد، مربوط به پارامتر ویژه‌ای در فضای حل مسأله است. ترتیب قرارگیری این اعداد مهم بوده و طول رشته دقیقا با تعداد پارامترهای تعریف شده در مسأله برابر است. کاربرد این نوع کدگذاری در حلِ « مسأله فروشنده دوره گرد» است (خلیلی­نیا، ۱۳۹۰، عباسی­کیا، ۱۳۸۸).
در بسیاری از مسائل مانند مسأله فروشنده دوره‌گرد، با جایگشت­های مختلفی از مجموعه راه ‌حل ‌ها روبرو هستیم. در این مسأله ، تعدادی شهر داریم که فاصله­ میان آن­ها معلوم است و با شروع از یک شهر و ختم به همان شهر می‌بایست:
از تمام شهرها فقط و فقط یکبار عبور نماییم.
کم­ترین مسافت ممکن را طی نماییم.
نکته‌ای که در این­جا مهم است و باعث شده تا کدینگ باینری روش مناسبی برای این مسأله نباشد، این است که حتما باید بُرش میان دو والد به نحوی صورت بگیرد که هیچ عنصر تکراری وجود نداشته باشد.
روش تک نقطه (در بخش (۲-۶-۴-۲) به­ طور کامل شرح داده خواهد شد) به این شکل اصلاح می‌شود که تمام قسمت قبل از نقطه برش در والد اول عینا در فرزند کپی می‌گردد. بقیه­ی ژن‌های والد اول که مطمئنا هنوز در فرزند تکرار نشده‌اند، مطابق با ترتیب قرار گرفتنشان در والد دوم، در فرزند کپی می‌شوند (خلیلی­نیا، ۱۳۹۰، عباسی­کیا، ۱۳۸۸).

(۷ ۹ ۸ ۶ ۵ ۴ ۳ ۲ ۱) = (۲ ۱ ۷ ۹ ۸ ۶ ۳ ۵ ۴) + (۹ ۸ ۷ ۶ ۵ ۴ ۳ ۲ ۱)

شکل(۲-۲): ادغام تک نقطه(شاه­حسینی، موسوی و ملاجعفری، ۱۳۹۱)

جمعیت
در الگوریتم ژنتیک به عنوان اولین مرحله، لازم است مجموعه‌ای از جواب‌های ممکن به عنوان جمعیت اولیه ایجاد شود. اعضای این مجموعه معمولا به صورت تصادفی انتخاب می‌شوند اما در الگوریتم‌های بهینه، از قیدهایی استفاده می‌شود تا جمعیت، پراکندگی بیش از حد نداشته باشد. تعداد اعضای جمعیت به نوع مسأله بستگی دارد (خلیلی­نیا، ۱۳۹۰، عباسی­کیا، ۱۳۸۸).

ایجاد جمعیت اولیه
در اکثر موارد، «جمعیت اولیه»^[۱۰۶] به صورت تصادفی تولید می‌شود. اما گاهی اوقات برای بالا بردن سرعت و کیفیت الگوریتم از روش‌های ابتکاری نیز برای تولید جمعیت اولیه استفاده می‌گردد. در هر ­صورت عمومی‌ترین و راحت‌ترین روش، استفاده از یک رویکرد تصادفی می‌باشد (خلیلی­نیا، ۱۳۹۰، عباسی­کیا، ۱۳۸۸).