Beberapa buku literatur telah diunduh dalam rangka menyusun laporan penelitian. Kebanyakan algoritma jenis ini igunakan untuk melakukan optimasi. Cara kerjanya adalah membangkitkan suatu individu dari suatu populasi yang terbaik dari suatu kasus optimasi. Individu tersebut berupa kromosom yang merupakan jawaban dari suatu fungsi tujuan. Untuk menghasilkan individu terbaik dilakukan operasi rekombinasi dan mutasi.
Beberapa literatur, terutama yang berisi aplikasi  terapan banyak yang menunjukkan kinerja yang baik ari algoritma genetik. Kromosom yang biasanya berupa string integer, sudah dapat menggunakan bilangan real saat ini. Dan beberapa fungsi objektif (multi objectif function) juga telah dikembankan. Berbeda dengan Support Vector Machine (SVM) yang berisi aritmatika yang rumit, algoritma genetik hanya berisi aritmatika sederhana. Namun pengguna algoritma genetik harus memiliki sikap analitis dan logika yang baik, terutama dalam merumuskan fungsi tujuan. Karena salah menerapkan fungsi tujuan, dapat menghasilkan sistem yang melenceng dari tujuan dibuatnya aplikasi.
Beberapa penerapan algoritma genetik mengkombinasikan dengan teknik optimasi lainnya seperti direct search, hingga jenis baru yaitu PWO, dan dikenal dengan istilah hybrid. Namun keungguan algoritma genetik adalah kerja sistem yang general, sehingga menghasilkan optimasi yang tangguh (robust). Jika beberapa teknik optimasi konvensional menghasilkan sistem yang terjebak dalam suatu local optima, pada algoritma genetik, sistem akan mencari suatu global optima. Tapi tentu saja tergantung dari populasi awal yang diterapkan. Jangan sampai, jawaban optimumnya di luar jangkauan populasi awal.