自然界是人类创新灵感的不竭源泉。自然界生物具有非凡的适应能力和智慧：蚁群如何找到距离食物源的最短路径，大雁觅食时怎么飞距离最短，生物怎么进化出各种性状……合理利用这些规律，可以处理数学问题？没错，而且是处理传统数学理论不易解决的问题。
优化问题与启发式算法。首先，来看个数学问题：计算如下一元二次函数的最值。对这种简单的目标函数，可直接套用公式：当自变量x=-b/2a时，目标函数的最值为（4ac-b²）/4a。这种能直接表达为公式的解，称为解析解。对于简单问题，可一步得到答案。这种求某函数的最大值/最小值的问题，就是优化问题，这一函数称为目标函数。优化算法，就是计算目标函数最值的算法。
实际中，优化问题的目标函数往往比较复杂，无法得到解析解，因此常利用梯度（多元函数的导数），进行迭代求解。然而，对于某些更为复杂的目标函数，无法使用梯度方法。例如，计算如下函数的最小值。复杂的目标函数，无法套用公式。若利用常规的梯度方法，容易收敛于局部最优，即某一范围内的最值点，而不是全局最优，即全局范围内的最值点。梯度方法容易陷入局部最优。优化类似的复杂函数，一直是难点问题。
科学家在受到某些自然规律的启发后，模拟自然体算法，提出了若干启发式算法，用于处理传统数学理论不易解决的优化问题。例如，模拟蚁群寻找、搬运食物的规律，提出蚁群算法；模拟大雁在空中觅食的规律，提出粒子群优化算法；模拟生物遗传与进化规律，提出遗传算法。
本文介绍的启发式算法，是模拟生物遗传与进化规律提出的，那么，算法科学家眼中的遗传与进化是怎样的？这里先以长颈鹿的进化为例（注意，遗传算法只是对已知进化规律的模仿，并不一定等同于生物规律）。自然界的生物多种多样，其性状由基因和外部因素共同决定，但基因占主导作用，因此这里忽略外部因素。例如，基因确定，长颈鹿的脖子长短也随之确定。
基因是生物的遗传物质，由多位核苷酸组成，类似于“AaBbCc”。种群的进化，必然意味着基因的变化。自然选择并不直接作用于基因，而是作用于性状。个体的性状不同，其生存能力不同。例如，鹿脖子越长，吃到的树叶越多，生存能力越强。将生存能力进行量化，称为适应度。适应度本应由多个因素共同决定，例如鹿的脖子长短、体力、视力等因素。但这里仅考虑脖子长短，脖子越长，适应度越高。
从前，有群普通的鹿，大家的基因各不相同，因此性状也不同（这里的性状特指脖子长短），将这一代的鹿群记为“鹿群0”。在“鹿群0”中，脖子长的个体能吃到更多的树叶，更可能生存下去，因此适应度高。而脖子短的个体更可能被淘汰，适应度低。将这一过程称为选择，经过选择生存下来的鹿才能够进行交配。
雄鹿在与雌鹿交配时，不是简单地复制自己的基因，而是与雌鹿的基因发生交叉后再结合（这里认为基因=染色体）。
例如，“Aa BbCc”+“aa bbcc”=“Aa bbcc”+“aa BbCc”。当然，在两条基因进行结合时，基因的一位或若干位核苷酸可能发生变异。例如，某位基因b变异成B。这样，“鹿群0”就产生了新的一代，记为“鹿群1”。一般而言，经过选择处理的“鹿群1”，适应度的最大值和平均值会提高，也就是脖子长短的最大值和平均值有所提高。
经过一代又一代的繁衍，由于基因的变化，“鹿群N”的脖子将会显著长于“鹿群0”，适应度更高。这时，我们可以说物种进化了。种群趋向最优。当然，最优的脖子长短还与环境有关，这里环境特指树冠高度。脖子高于树冠，没有好处反而有坏处。而只要环境不发生显著变化，“鹿群N”之后，种群的基因不会发生显著变化，适应度也不会发生显著变化，种群稳定在最优解。
美国的John Holland，模拟达尔文生物进化论的自然选择和遗传学机理，提出一种启发式优化算法——遗传算法。该算法将自变量转换成个体，通过编码将个体与基因对应起来，将待求解的目标函数作为适应度函数，保留了交叉、变异，经多次迭代后，可使种群（多个个体）趋于最优解。
以求解目标函数F(x)=x+8sin(5x)+5cos(4x)的最大值为例，遗传算法会分六步走来解决问题：1. 初始化。
遗传算法将自变量可能的取值视为个体，在设置好种群总数后，生成初始化种群。2. 编码与解码。自变量个体本身无法视为基因，需将其进行某种转换，通常将个体转换为一串二进制的数，称为编码，这串二进制的数即可视为基因。3. 适应度计算。但在将基因（二进制）转化为个体（十进制）后，将十进制个体代入目标函数，即可得到适应度。4. 选择。每个个体，根据适应度大小，进行选择。5. 交叉与变异。
保留下来个体，经编码得到基因后，进行交叉。6. 是否结束。既然是优化算法，必然需要设置结束条件，不能让算法无限次地循环下去（死循环）。最简单的方法，就是设置算法运行次数。
要想提高遗传算法的效率，在上述步骤中其实都有小技巧。例如，初始化时若可获得关于最值点的先验信息，即最值点所在的大致范围。则可在这一范围内生成初始种群。初始值的选择，会影响算法的收敛速度。初始值选得越靠近最优解，收敛速度越快。另外，不合适的初始值，可能使得算法陷入局部最优。
以遗传算法为例的启发式算法，没有极其严格的数学推导，但自然界已用这些规律解决了无数的问题。
现在，遗传算法已广泛应用于我们生活中的多个领域，例如，如何设计车辆外形，以减少空气阻力；如何安排机器人的工作流程，以提高工作效率；如何进行线路规划，使快递运输路程最短……去年，有人在GitHub上传了一个项目，就是用遗传算法来绘制特定的图片，下面是一个仿真实例，看遗传算法是如何对照上面的照片“画”出下面的作品的。
PS：如果你不是码农，暂时也不需要用到遗传算法，但是仍可从遗传算法中学到若干智慧：没有完美的算法，保证精度，就得增加计算量。一切策略，都是在多个因素间寻找平衡的艺术。只追求稳定，会无法进步；只追求多样，会无法积累优势。因此，我们需要在稳定和多样间寻找平衡。但是，从长远来看，稳定（积累、传承）往往比多样更重要一些。精英保留很重要，但也绝不能轻视精英以外的普通个体。
没有普通个体，变异就失去了土壤，种群也就走向了单调。而单调，往往意味着脆弱。