در این پایان نامه بهبود عملگرها پرداخته می‌شود. این عملگرها که وظیفه ایجاد نسل جدید براساس نسل قبلی را دارند باتوجه به نوع استفاده از اطلاعات مورد نیاز نظیر اطلاعات متغیرهای تصمیم فراوانی و غیره می‌توانند دسته‌بندی شوند ابتدا به بررسی و مقایسه عملگرها در هر نوع خاص از عملکرد می‌پردازیم و در نهایت پیشنهاداتی در جهت معرفی عملگرهای مناسب ارائه می‌گردد. کاربرد الگوریتم ژنتیک در مسائل جانمایی مورد بررسی قرار می‌گیرد و عملگرهای پیشنهادی جدید در این مورد استفاده می‌شود.

الگوریتم ژنتیک یک روش محاسباتی است که بر اساس مفهوم تکامل طبیعی برای حل مسائل بهینه‌سازی و جستجو استفاده می‌شود. الگوریتم ژنتیک بر اساس فرآیند تکاملی در یک جمعیت از افراد (که به عنوان جمعیت جستجوگران به نام می‌بریم) عمل می‌کند که به طور متقابل با هم رقابت می‌کنند و بهبود می‌یابند.

در الگوریتم ژنتیک، هر فرد در جمعیت یک کروموزوم است که شامل یک سری ژن‌ها است. هر ژن معمولاً یک ویژگی یا پارامتر در مسئله مورد نظر را نمایش می‌دهد. برای نمونه، در یک مسئله بهینه‌سازی، هر ژن ممکن است یک مقدار عددی (مانند وزن یا طول) یا یک مقدار دودویی (مانند حضور یا عدم حضور یک ویژگی) را نشان دهد.

در هر نسل از جمعیت، عملیات‌های تکراری مانند انتخاب، ترکیب و جهش بر روی کروموزوم‌ها انجام می‌شود. این عملیات باعث تولید جمعیتی جدید از جستجوگران می‌شود که به طور تدریجی به راه‌حل بهینه نزدیک می‌شوند. عملیات انتخاب، کروموزوم‌های بهتر را بر اساس عملکرد آن‌ها در فضای مسئله انتخاب می‌کند. عملیات ترکیب، دو کروموزوم را با یکدیگر ترکیب کرده و نسل بعدی را تولید می‌کند. و در نهایت، عملیات جهش، تغییری کوچک در کروموزوم‌ها ایجاد می‌کند تا از گیر افتادن در یک مینیمم محلی جلوگیری شود.

الگوریتم ژنتیک در حل مسائل پیچیده و بهینه‌سازی به خوبی عمل می‌کند و در بسیاری از زمینه‌ها مورد استفاده قرار می‌گیرد، مانند طراحی مهندسی، برنامه‌ریزی تولید و ترکیب بهینه، یادگیری ماشین و غیره.