1. 学习了可求解问题、难求解问题和不可计算问题的概念：可求解问题 – 计算机在有限时间内能够求解的问题；难求解问题 – 计算机在有限时间内不能求解的问题；不可计算问题 – 计算机完全不能求解的问题。
2. 学习了P类问题，Np类问题和NPC类问题的概念，以及他们的包含关系，NPC类问题的求解方法：穷举法或遍历法。
3. 学习了遗传算法的生物学起源，包括各种基本概念：种群、个体、染色体、基因、基因型、表现型、个体适应度、选择、复制交配、杂交和突变，以及他们各自在遗传算法中的概念映射。
4. 学习了遗传算法求解过程模拟和遗传算法基本框架和设计要点（重点理解过程和设计思路，详情见PDF课件）
5. 学习了遗传算法为什么可以求解NPC类问题的基本思想：1. 随机搜索法；2：导向性随机搜索法；3. 导向性群（体）随机搜索法。学习了遗传算法的使用条件：1）对于NP问题，没有其他更好的算法可以使用；2）已知“解空间”，即可能解的表现型和基因型；3）关于可能解的“适应度”函数的计算方法，即有一个函数可以确定可能解是否接近精确解的程度或方向。
6. 学习了使用遗传算法求解应用问题的方法和思路：1）一维的集覆盖问题 – 会议室租用问题；航班机组成员选择问题；软件测试用例选择问题。2)二维集覆盖问题 – 课程表优化问题。注意一维问题中，每一行只需被选出的列覆盖即可，不需要确定行与列的唯一确定关系，而二维问题中，每一行都必须有确定的列与之对应。
7. 学习了遗传算法的设计要点：1）可能解的产生 – 可能解的形式怎样？怎样产生待判定的可能解？产生多少个待判定的可能解？进化的代数为多少？2）判断可能解是否是问题的解 – 适应度，选择标准和满意解的判断。最后具体学习了可能解、可行解、近似解、满意解和最优解的概念，以及它们的包含关系。
8. 学习了2)二维集覆盖问题 – 课程表优化问题的解形式（表现型）与编码（基因型），以及可能解如何进行交叉操作（体现可能解策略的多样性）：1）两段交叉；2）等距离多段交叉；3）不等距离多段交叉；4）行交叉；5）列交叉；6）块交叉、点交叉。
9. 学习了策略性选择的随机性，以及策略选择需要折中：是需要更加广泛的解空间，增加获得最优解的概率，但时间增加，还是选择压缩搜索空间以换取更多的时间？
10 学习了变异操作（算法中要有，但不能过于频繁），以及它的目的：1）使遗传算法具有局部的随机搜索能力；2）使遗传算法可维持群体多样性。
11. 学习了终止运行的条件：1）进化次数限制；2）计算耗费的资源限制；3）已达到最优值；4）适应度已经达到饱和；5）人为干预；6）以上两种或多种组合。
12. 最后学习了算法的3个延伸思考题：1）遗传算法的收敛速度和解的质量关系 – 执行相同次数的迭代后，近似率高的算法更好；到达期望满意解，迭代次数越少越好；当不同算法应用多次后，求得满意解次数越多，该算法越好。2）各项参数对收敛速度和解质量的关系，特别是初始种群规模大小的影响；3）染色体编码中“遗传基因”的判断问题，以及怎样在后续迭代中保存该基因，而不被破坏的问题