遺傳算法（簡稱GA）是一種借鑒生物界自然選擇和自然遺傳機制的隨機的搜索算法，現已廣泛應用于計算機科學、人工智能、信息技術及工程實踐。
在電火花加工中，由于電參數對工藝效果難以用精確的數學模型描述，為了確定最優加工條件，提高加工效率，基于工藝數據庫，采用遺傳算法，能夠有效地生成經過優化的、加工時間最短的加工條件，從而在實際加工中有效地解決了電火花加工條件優化的問題。根據電火花加工條件，從而在實際加工中有效地解決了電火花加工條件優化的問題。根據電火花加工工藝規律，以加工速度和表面粗糙度為目標，運用遺傳算法和模糊技術，建立了一個基于遺傳算法的電火花加工參數的優化模型，圖所示為模仿熟練操作者的決策過程，利用遺傳算法的電火花加工實例中抽出反映電參數和加工結果之間關系的模糊產生式規則，通過模糊推理就可以提供一組合適的電參數，從而實現了電參數的優化。
電火花加工電參數優化模型的結構示意圖，它包括以下四部分。
電火花加工工藝數據庫 該數據庫存儲了一些從實驗中獲取的電火花加工工藝數據，包括一些成功的加工實例，它們將作為學習模塊的學習樣本。
電火花加工規則庫 該規則庫以模糊產生規則的形式儲了表示電參數和加工結果之間關系的若干規則。模糊產生式規則特別適合用來表達熟練操作者所獲得的經驗知識，有利于分析和應用。
學習模塊 規則（知識）的獲取是一般基于規則的專家系統的“瓶勁”，該問題的解決也是本優化模型的關鍵。學習模塊利用遺傳算法從電火花加工工藝數據庫的數據中，抽取出反映電參數和加工結果之間關系的模糊產生式規則。
推理模塊 推理模塊接受一個電火花加工要求，基于模糊產生式規則，通過模糊推理得出一組合適的電參數。這些電參數連同后來的加工結果再反饋回工藝數據庫，用于進一步的學習和推理，從而使得該優化模型具有很大的適應性。
