Fleksibilitas Penyesuaian terhadap perubahan skala.

sehingga waktu yang dibutuhkan untuk mencari solusi hanya bergantung dari jumlah kromosom dalam populasi dan jumlah generasi yang dijalankan. Pada algoritma genetika, evaluasi nilai fungsi fitness menghabiskan waktu lebih lama deibandingkan dengan operasi-operasi lainnya dalam algoritma genetika seperti: crossover, mutation, dan selection. Semakin besar jumlah populasi atau semakin panjang kromosom yang harus dikodekan dan dievaluasi, maka waktu yang dibutuhkan untuk mengeksekusi algoritma genetika akan didominasi oleh banyaknya jumlah pengkodean dan evaluasi nilai fitness, bukan oleh operasi-operasi algoritma genetika lainnya. Oleh sebab itu, ketika waktu yang dibutuhkan untuk mengevaluasi nilai fitness dari sebuah kromosm diketahui, maka waktu pencarian solusi dapat diprediksi berdasarkan waktu untuk mengevaluasi nilai fitness dikalikan dengan jumlah kromosom dalam sebuah generasi dikalikan dengan jumlah generasi.

c. Fleksibilitas

Algoritma genetika memiliki fleksibilitas yang tinggi. Satu-satunya hal yang mengikat algoritma genetika terhadap proses penyelesaian suatu masalah adalah bagaimana cara algoritma genetika mengkodekan dan mengevaluasi nilai fitness suatu masalah. Sehingga ketika pengguna ingin mengubah masalah yang dioptimasi menggunakan algoritma genetika, programer cukup mengubah algoritma genetika dalam mengkodekan decoder dan mengevaluasi kromosom fitness function. Hal ini menyebabkan algoritma genetika dapat denga mudah dimodifikasi untuk menyelesaikan masalah yang berbeda dan mudah beradaptasi terhadap suatu masalah yang kondisinya berubah.

d. Penyesuaian terhadap perubahan skala.

Algoritma genetik dapat dengan mudah beradaptasi terhadap perubahan skala. Contohnya, dengan mengatur panjang kromosom menjadi 30 dibandingkan 20, maka algoritma genetika dapat mengembangkan masalah pemilihan variabel dimana algoritma genetika dapat memeriksa 30 variabel dalam satu waktu. Dengan cara ini, perubahan skala dapat dilakukan dengan baik. Namun demikian, perubahan skala dalam algoritma genetika memiliki kendala. Semakin panjang kromosom, maka akan semakin sulit bagi algoritma genetika dalam mengeksplorasi ruang pencarian. Bertambahnya panjang kromosom menuntut ukuran populasi yang lebih besar seiring dengan banyaknya kombinasi gen yang potensial. Semakin besar ukuran populasi dan semakin panjang kromosom menyebabkan semakin bertambahnya waktu yang diperlukan untuk mengkodekan dan mengevaluasi nilai fitness, sehingga waktu yang dibutuhkan untuk mengeksekusi algoritma genetika menjadi lebih lama. Akibatnya, algoritma genetika akan membutuhkan koputer yang berkecepatan tinggi dengan memori yang cukup besar untuk mengeksekusi masalah tersebut. Bahkan dalam kasus tertentu dibutuhkan sejumlah komputer yang dipararelkan untuk mempercepat algoritma genetika dalam mengeksekusi sejumlah besar perhitungan atau melakukan perhitungan yang berbasis database secara intensif.

e. Kecepatan merespon