3 计算适应度：表示个体相对于目标解的优劣程度的函数称为适应度函数。适应度函数在不同的问题中是不同的，它是依照具体问题进行具体定义的。在具体问题中要根据定义计算每个个体的适应度。
4 选择：群体中优良的个体被保留，而较差的个体则被剔除，这个过程被称为选择。选择就是在父代中按照某种要求进行选取，使得选中个体的性状可以被下一代继承。遗传算法正是使用了选择操作才达到了去差存优的作用。在向下一代遗传的过程中，个体的适应度决定了其遗传到子代的几率，适应度高，被遗传达到下一代的可能性就大，反之亦然。本文使用具有随机抽样性能的轮盘赌选择法。
5 交叉：交叉是基因发生了重组，因此产生了新的个体。交叉运算是遗传算法的核心关键，也是遗传算法与其他算法的不同之处。交叉指的是相互配对的两个染色体以Pc为交叉概率，两个父代的部分结构加以交换而生成新个体，新的个体性状拥有两个父辈性状的组合。交叉实现了遗传算法的全局搜索，是生成新个体的主要手段。
 6变异：变异是改变父代的某些基因进而产生新的个体。变异运算使得遗传算法有了局部搜索能力，同时使得样本的多样性得到了保证，也防止了片面的优化。变异运算是个体编码以Pm为变异概率对其某些基因进行改变或者替换，但变异的概率是很低的。变异运算是帮助交叉运算实现对空间解的搜索的局部搜索，同时亦是辅助生成新个体的方法。
 从上述内容可以看出，初始种群个数（N）、交叉概率（Pc）、变异概率（Pm）是三个关键的参数。种群个数关系到执行的效率和最终的结果；交叉概率则管理交叉运算的频率；变异概率则主要为了保护群体多样性。
2.2.2遗传算法的特点
1. 运算对象是决策变量的编码形式，对于结构对象的操作具有直接性。
2. 适应度函数在使用的时候没有任何束缚，使得算法的可用空间很大。
3. 优秀的全局搜索能力，可简单的进行并行化处理。
4. 并行计算能力好，同时并行性高，适合处理大规模并行分布。
5. 在概率引领方向的情况下启发式搜索，摆脱了盲目性。
6. 在不规则、有噪声和非连续的条件下，该算法也有很大的能力找到目标。避                       免了陷入局部最优。
7. 优越的扩展能力，和其他技术结合起来很方便，为解决问题提供更优的方法。
遗传算法也具有以下缺点：
1. 容易出现收敛过早的现象。
2. 遗传算法效率低，以及计算时间较长。
3. 还没有定量考察过遗传算法。
4. 存在编码的不准确以及编码过程中的不规范。
2.2.3 标准遗传算法（SGA）
标基本遗传算法（SGA），是由Goldberg总结出的一种便于理解、方便操作的最基本的遗传算法，其它一些遗传算法都是以它为雏形进行发展和扩展的。该算法中仅使用三个基本的算子进行操作，这三个算子分别是选择算子、交叉算子、变异算子 遗传算法大规模天线阵列优化(3):http://www.youerw.com/tongxin/lunwen_12047.html