الگوریتم ژنتیك با متغیرهای پیوسته و گسسته می تواند عمل بهینه سازی را انجام دهد و نیازی به محاسبه مشتق توابع ندارد بطور همزمان می تواند تمامی ناحیه جستجو شونده وسیع تابع هزینه را جستجو کند و نیز قادر به بهینه سازی مسائل با تعداد متغیرهای زیاد می باشد. کدهای الگوریتم ژنتیك قابل اجرا از طریق کامپیوترهای موازی است و توابع هزینه ای که بسیار پیچیده باشند نیز از این طریق قابل بهینه سازی می باشند و الگوریتم در اکسترمم محلی به دام نمی افتد . این الگوریتم اصولا قادر است تا چند جواب بهینه را بطور همزمان بدست آورد و بر روی مجموعه ای از راه حل ها اعمال می شوند و نه بر روی یك راه حل خاص. با کدبندی متغیرها ، بهینه سازی را با متغیرهای کد بندی شده انجام دهد. از طرف دیگر کدبندی سرعت همگرایی الگوریتم را افزایش می دهد. الگوریتم، علاوه بر توابع تحلیلی، توانایی کارکردن با داده های عددی تولید شده و داده های تجربی را دارد. فرآیند ارائه شده توسط الگوریتم های ژنتیك بر روی فضایی از مجموعه نمایندگان یا همان فضای کروموزوم ها اعمال می گردد، اما بر روی خودفضای راه حل ها کارکردی ندارد. الگوریتم های ژنتیك از قوانین انتقالی احتمالی به جای قوانین انتقالی قطعی استفاده می کنند، بدین معنا که حرکت آن در هر نقطه از الگوریتم کاملا احتمالی بوده و براساس قطعیت صورت نمی پذیرد. این امر از مزایای مهم این روش بوده و از افتادن سیستم در مینیمم محلی جلوگیری می نماید. میزان احتمال به گونه ای است که احتمال حرکت به سمت هدف مساله بیشتر از احتمال حرکت آن به سمت مخالف جواب می باشد. تنها مالك سنجش میزان شایستگی هر راه حل توسط الگوریتم های ژنتیك ، معیارهای مورد نظر در سطح فضای راه حل ها نیست، بلکه مقدار تابع شایستگی آن در فضای کروموزوم ها می باشد . برای حل برخی از مسائل از رده غیر خطی استفاده می شود. این الگوریتم در مسائل بهینه سازی هم به کار می رود.