Eine geeignete Wahl der Repräsentation von Lösungen (also wie die Individuen aufgebaut sind) und angepasste Operatoren (welche die Individuen verändern bzw. neue Individuen erzeugen) können die Performance von evolutionäre Algorithmen deutlich erhöhen ([9]). Durch eine geeignete Wahl der Repräsentation wird der Hypothesenraum, den diese aufspannen, günstig beeinflusst, z. B. können ungültige oder unerwünschte Lösungen ganz entfallen. Weiterhin ermöglicht eine gute Repräsentation auch einen Hypothesenraum, in dem Operatoren einfacher zu realisieren sind, die im Allgemeinen schneller zur Lösung führen, z. B. ist es dann wahrscheinlicher, dass ähnliche Lösungen auch nahe im Hypothesenraum "beieinanderliegen" (für die Operatoren).
Durch angepasste Operatoren werden die "Wege" (welche diese Operatoren im Hypothesenraum erzeugen) besser, bzw. führen schneller zu besseren Lösungen. Es können beispielsweise als Operatoren schon bekannte Algorithmen zur Optimierung eingesetzt werden oder es kann in den Operatoren Wissen über das Problem verwendet werden.
Die große Freiheit bei der Wahl der Repräsentation der potentiellen Problemlösung ist einer der größten Vorteile der evolutionären Algorithmen. Theoretisch ist eine beliebige Repräsentation wählbar, solange eine Bewertung von potentiellen Problemlösungen in dieser möglich ist. Andere Lernverfahren ermöglichen meist nur bestimmte Repräsentationen, z. B. können Lernverfahren von neuronalen Netzen nur neuronale Netze als Problemlösung hervorbringen. Bei EAs allerdings können unter anderen Bitlisten, Moleküle, beliebige Programmiersprachen oder mathematische Formeln verwendet werden. Genauso variabel sind damit auch die Operatoren, mit denen die potentiellen Lösungen angepasst werden können. Damit können viel besser Vorwissen oder auch Vermutungen in den Algorithmus eingearbeitet werden.
Weiterhin kann bei der Wahl der Repräsentation auch noch die Anschaulichkeit für den Menschen berücksichtigt werden. Das heißt, die Repräsentation kann so gewählt werden, dass potentielle Problemlösungen einfacher verstanden werden können.
Der große Nachteil von evolutionären Algorithmen ist der hohe Zeitaufwand bzw. Rechenaufwand den sie im Verhältnis zu anderen Algorithmen benötigen. Wo andere Algorithmen die vorhanden Daten nutzen, um aus ihnen einmal eine Lösung zu generieren, generiert ein genetischer Algorithmus ständig neue Lösungen, testet, wie gut diese sind, und wählt möglichst die Guten aus. Solange die Terminalkondition nicht erfüllt ist, hält ein genetischer Algorithmus auch nicht an. Die Terminalkondition kann aber auch sehr schwer oder gar nicht erfüllbar sein. Ein gutes Beispiel ist auch hier die natürliche Evolution: Sie läuft schon seit mindestens 4 Milliarden Jahren auf wenigstens einen ganzen Planeten, und es ist noch kein Ende abzusehen.