遗传算法( Genetic Algorithms,简称GA )是由美国Michigan大学的John Holland教授创建的。它来源于达尔文的进化论、魏茨曼的物种选择学说和孟德尔的群体遗传学说。其基本思想是模拟自然界遗传机制和生物进化论而形成的一种过程搜索最优解的算法。其特点是几乎不需要所求问题的任何信息，而仅需要目标函数的信息：不受搜索空间是否连续或可微的限制就可找到最优解。依据它的并行性非常适用于大规模并行计算机。因此遗传算法广泛的应用于自动控制、计算科学、模式识别、工程设计、智能故障诊断、管理科学和社会科学领域，适用于解决复杂的非线性和多维空间寻优问题。

遗传算法是建立在自然选择和群体遗传学机理基础上的随机迭代和进化，具有广泛适用性的搜索方法，具有很强的全局优化搜索能力。它模拟了自然选择和自然遗传过程中发生的繁殖、交配和变异现象，根据适者生存、优胜劣汰的自然法则，利用遗传算子(选择、交叉和变异)逐代产生优选个体(即候选解) ，最终搜索到较优的个体。

郭涛算法正是基于以上思想提出的一类基于子空间搜索和群体爬山法结合的群体随机搜索算法，也称为多父体杂交算法。该算法有以下特点：

1）用了演化计算中的群体搜索策略，保证了搜索空间的全局性，有利于搜索问题的解。

2）采用随机子空间中的随机搜索(多父体重组)策略,特别是子空间中随机搜索的非凸性:

使算法搜索的子空间可复盖多父体的凸组合空间，保证了随机搜索的遍历性, 即解空间中不存在算法搜索不到的“死角”。

    3）采用了“劣汰策略”,每次只把群体中适应性最差(目标函数值最大)的个体淘汰出局, 淘汰压力最小，既保证了群体的多样性，也保证了适应性最好(目标函数值最小)的个体可以“万寿无疆”。 这种“群体爬山策略”, 保证了整个群体最后集体登上最高峰(深谷)。当最优解不唯一时,算法可能一次同时找到多个最优解。

精英多父体杂交算法改进了郭涛算法中个体交叉时个体的选择方案。在郭涛算法中是随机选择个体进行交叉；在精英多父体杂交方法中，增加选择的压力，选择当前群体中的最好的若干个体，这样做可以使个体中好的基因有更多的繁殖与生存机遇，能明显加快算法的收敛速度。