適應度函數的選取直接影響到遺傳算法的收斂速度以及能否找到最優解 ， 因為遺傳算法在進化搜索中基本不利用外部信息 ， 僅以適應度函數為依據，利用種群每個個體的適應度來進行搜索 。因為適應度函數的復雜度是遺傳算法復雜度的主要組成部分，所以適應度函數的設計應盡可能簡單，使計算的時間復雜度最小 。
適應度函數怎么設計：
遺傳算法在進化搜索中需要使用適應度函數值，而不用該函數的任何梯度信息 。于是遺傳算法的適應度函數不要求具有連續可微性 ， 且其定義域可以為任意集合 。對適應度函數的唯一要求是，對給定的可行解能夠計算出能加以比較的非負函數值即可 。在具體應用中，適應度函數的設計要結合求解問題本身的要求而定 。
在許多尋優問題中，目的是求取目標函數的最小值 ， 這要求適應度值是非負的，任何情況下希望越大越好；而目標函數值則有多種可能，并且目標函數和適應度值之間的關系也是多種多樣的 。
【適應度函數 適應度函數越大越好】應用遺傳算法有時會出現一些不利于優化的現象或結果 。在遺傳進化初期，通常會出現一些超常的個體 。若按照比例選擇策略，這些異常個體可能在群體中占很大的比例，有可能導致早熟收斂現象 。顯然，這些異常個體因競爭能力太強會控制選擇過程，從而影響算法的全局尋優性能 。此外，在遺傳進化過程中，雖然群體中個體多樣性尚存在 ， 但往往會出現群體的平均適應度已接近最佳個體適應度，此時，個體間競爭力減弱，最佳個體和其它大多數個體在選擇過程中有幾乎相等的選擇機會，從而使有目標的優化過程趨于無目標的隨機漫游過程 。
