在遗传算法的编写过程中，作者发现了一些问题：

• 优良基因很容易因为交叉、变异而遭到破坏，同时普通遗传算法也很容易陷入早熟。早期的高适应度个体迅速占据种群、 后期的种群中因个体的适应度相差不大，都会导致种群停止进化。遗传算法经常被应用于工业生产中的最优化问题当中, 但是在面对非线性、多极值、多变量的问题时容易在早期寻优过程中陷入局部最优解范围。

• 对于轮盘赌的选择方式，早期的高适应度个体迅速占据种群、 后期的种群中因个体的适应度相差不大，都会导致种群停止进化。

在第M代之后，多数个体与最优个体相似度高，此时进行灾变操作以产生新种群：

1. 将当前种群状态、最优个体及其适应度值进行保存

2. 保留数量较少的适应度值较差的个体

3. 将种群中大多数适应度优秀的个体进行删除

4. 随机产生新个体进行补充

灾变操作的优点是增大种群的多样性和搜索范围，同时保留的旧种群个体会对新种群个体的搜索提供收敛趋势的引导。

在交叉之前需要进行配对。常用的方法是随机配对，但存在一个问题，当遗传过程进入局部最优时，群体中有很多几乎完全相同的串，称之为“近亲”。有学者提出了近亲交叉回避的思想，利用海明距离来判别亲缘关系的远近，参与交叉的两个串的海明距离过近，交换产生的新模式可能就会很少，容易陷入局部最优。

当判断出种群出现“早熟”趋势时，以一个远大于通常变异概率的概率对所有个体执行一次变异操作，独立随机的产生许多新的个体，从而使整个群体脱离“早熟”。

为了提高算法的全局搜索性能,提高搜索的遍历性，可加入了返回操作。返回操作的概念是当交叉、变异操作失利时，即新生成的群体的平均(最优)适应度水平低于原先群体的平均(最优)适应度水平时，则否定此次操作，恢复到之前的种群状态。