Классический ГА обладает рядом существенных недостатков, основными из которых являются зависимость эффективности от входных параметров и неизменность этих параметров на всех этапах выполнения алгоритма. Новкович и Сверко (1998, 2003) предложили алгоритм с самогенерируемыми параметрами, с применением «генетического остатка» (ГО), т.е. тех генов, природа функционирования которых неизвестна и которые являются главным источником разнообразия в популяции. В общем виде такой алгоритм можно представить в виде двух классических ГА, исполняемых параллельно: один обеспечивает случайные вероятности скрещивания и мутации (для ГО), а другой решает непосредственно поставленную задачу, обрабатывая «активную» часть хромосомы. Его достоинство состоит в том, что функции, вместе с набором контрольных параметров, операциями мутации и скрещивания, имеют изменяемые параметры на каждом этапе эволюции.
Алгоритм представляет собой классический ГА, с пропорциональной селекцией, масштабированием и одноточечным скрещиванием. Каждая хромосома длина L в популяции из n хромосом содержит активную часть длины l и «генетический остаток» длины (L-l). ГО хромосомы генерируется случайным образом в исходном поколении, также как и активная часть хромосомы. Процедура селекции родительских особей для создания ГО случайна, т.е. не зависит от значений функции приспособленности. Длина ГО зависит от вычислительных возможностей, равно как и желаемого порядка параметров, а его скрещивание выполняется наверняка (pc = 1), в то время как для мутации используются различные вероятности для каждой особи. Вероятность мутации в данном алгоритме выше аналогичного значения в классическом ГА, для обеспечения лучшего разнообразия особей в популяции. При выполнении операции скрещивания активной части хромосомы, используется вероятность скрещивания второго родителя (полученная из ГО второго родителя), тогда как вероятность мутации каждого потомка берется из каждого родительского ГО.
Такой алгоритм обеспечивает возрастающее разнообразие в популяции путем изменения контрольных параметров на каждом этапе.
В качестве особой процедуры репродукции используется элитарная селекция, позволяющая сохранить наилучшие хромосомы на последующих итерациях, которая, однако, не является исключительно эффективной для всех функций, так как она не предохраняет от потери шаблонов низкого порядка в популяции. Для решения этой проблемы предлагается использовать идеализированную стратегию Холланда-Форреста и частичную замену популяции.
При использовании длинных хромосом, классическое одноточечное скрещивание не всегда эффективно. Многоточечное скрещивание способствует улучшению скорости поиска. Помимо операций скрещивания и мутации предлагается использовать инверсию, изменяющую последовательности аллели между выбираемыми позициями. Вероятность инверсии для данного типа алгоритма, как и для классического ГО, мала и позволяет предупредить раннюю сходимость алгоритма.
Предложенный алгоритм, обладая равными средними вероятностями с классическим генетическим алгоритмом, как правило, показывается лучшие результаты. Его важным достоинством является то, что значения параметров устанавливаются автоматически, освобождая пользователя от рутинного поиска лучшей их комбинации. С этой точки зрения, данный алгоритм является универсальным и может быть использован для решения широкого круга оптимизационных задач.