Una forma simple e intuitiva es identificar los parámetros clave que controlan el comportamiento de un sistema y cambiarlos para mejorar su desempeño.
La idea viene desde Samuel (59) (checkers) hasta cambio de pesos en redes neuronales.
Idea: parámetros = genes
Cadenas fijas de genes para cada parámetro.
El operador de cruce genera nuevas combinaciones de parámetros y la mutación nuevos valores.
Pero... hay que considerar el número de valores distintos que los genes (parámetros) pueden tomar.
Las poblaciones normalmente representan una fracción pequeña de los posibles valores.
Si mutación es muy baja, podemos caer en máximos locales, si los aumentamos nos lleva a una búsqueda aleatoria que disminuye la probabilidad de que individuos nuevos tengan un desempeño alto.
Los GA son más efectivos cuando cada gen puede tomar pocos valores (en este sentido genes binarios son óptimos), i.e., un parámetro se representa como grupos de genes.
A GA le va mejor, porque aunque el espacio sea el mismo, aparte de mutación, el operador de cruce ahora también puede generar nuevos valores.
e.g., en lugar de representar un parámetreo que puede tomar 
valores (dejando a mutación explorarlos todos!!!), lo representamos
con 30-genes binarios.
Otro punto a considerar es el de convergencia al óptimo global. En teoría todos los puntos en el espacio de búsqueda tienen una probabilidad diferente de cero de ser visitados. En la práctica la espera puede ser impráctica.
Podemos ver que los GA constituyen heuristicas de muestreo poderosas que pueden encontrar rápidamente soluciones de buena calidad en espacios complejos.