在用遗传算法寻优之前，首先要根据实际问题确定适应度函数，即要明确目标。各个个体适应度值的大小决定了它们是继续繁衍还是消亡，以及能够繁衍的规模。它相当于自然界中各生物对环境的适应能力的大小，充分体现了自然界适者生存的自然选择规律。

与数学中的优化问题不同的是，适应度函数求取的是极大值，而不是极小值，并且适应度函数具有非负性。

对于整个遗传算法影响最大的是编码和适应度函数的设计。好的适应度函数能够指导算法从非最优的个体进化到最优个体，并且能够用来解决一些遗传算法中的问题，如过早收敛与过慢结束。

过早收敛是指算法在没有得到全局最优解之前，就已稳定在某个局部解。其原因是某些个体的适应度值大大高于个体适应度的均值，在得到全局最优解之前，它们就有可能被大量复制而占群体的大多数，从而使算法过早收敛到局部最优解，失去了找到全局最优解的机会。解决的方法是，压缩适应度的范围，防止过于适应的个体过早地在整个群体中占据统治地位。

过慢结束是指在迭代许多代后，整个种群已经大部分收敛，但是还没有得到稳定的全局最优解。其原因是整个种群的平均适应度值较高，而且最优个体的适应度值与全体适应度均值间的差异不大，使得种群进化的动力不足。解决的方法是，扩大适应度函数值的范围，拉大最优个体适应度值与群体适应度均值的距离。

通常适应度是费用、盈利、方差等目标的表达式。在实际问题中，有时希望适应度越大越好，有时要求适应度越小越好。但在遗传算法中，一般是按最大值处理，而且不允许适应度小于零。

对于有约束条件的极值，其适应度可用罚函数方法处理。

例如，原来的极值问题为

maxg（x）

s. t.　　h_i（x）≤0，i＝1，2，…，n

可转化为

其中，γ为惩罚系数；Φ为惩罚函数，通常可采用平方形式，即