这个GEQO规划过程使用标准规划器代码来为单个关系的扫描生成计划。然后使用遗传方法开发连接计划。如上所示，每个候选连接计划都由一个序列表示，其中连接基础关系。在初始阶段，GEQO代码只是随机生成一些可能的连接序列。对于考虑的每个连接序列，都会调用标准规划器代码来估算使用该连接序列执行查询的成本。（对于连接序列的每个步骤，都会考虑所有三种可能的连接策略；并且所有最初确定的关系扫描计划都可用。估计的成本是这些可能性中最便宜的。）估计成本较低的连接序列被认为比成本较高的连接序列更“更适合”。遗传算法会丢弃最不合适的候选者。然后，通过组合更适合的候选者的基因来生成新的候选者，也就是说，通过使用已知低成本连接序列的随机选择部分来创建新的序列以供考虑。重复此过程，直到已考虑了预设数量的连接序列；然后使用在搜索过程中任何时间找到的最佳序列来生成最终的计划。

此过程本质上是不确定的，因为在初始种群选择和后续最佳候选者的“突变”过程中都进行了随机选择。为了避免所选计划的意外更改，每次运行 GEQO 算法都会使用当前的 geqo_seed 参数设置重新启动其随机数生成器。只要 geqo_seed 和其他 GEQO 参数保持固定，就会为给定的查询（以及其他规划器输入（如统计信息））生成相同的计划。要尝试不同的搜索路径，请尝试更改 geqo_seed。

仍需要改进遗传算法的参数设置。在文件 src/backend/optimizer/geqo/geqo_main.c 中，例程 gimme_pool_size 和 gimme_number_generations，我们必须找到参数设置的折衷方案，以满足两个相互竞争的需求

在当前的实现中，每个候选连接序列的适应度是通过从头开始运行标准规划器的连接选择和成本估算代码来估算的。在不同候选者使用相似的子连接序列的程度上，将重复大量工作。通过保留子连接的成本估计，可以使此过程明显加快。问题是要避免花费不合理的内存量来保留该状态。

在更基本的层面上，不清楚使用为 TSP 设计的 GA 算法来解决查询优化是否合适。在 TSP 案例中，与任何子字符串（部分路线）相关的成本独立于路线的其余部分，但对于查询优化来说，情况肯定不是这样。因此，边缘重组交叉是否是最有效的突变过程值得怀疑。