這個GEQO規劃程序使用標準規劃器程式碼來產生掃描個別關聯的計畫。然後使用基因方法開發連接計畫。如上所示，每個候選連接計畫都由一個序列表示，該序列指示連接基礎關聯的順序。在初始階段，GEQO程式碼只是隨機產生一些可能的連接序列。對於考慮的每個連接序列，都會呼叫標準規劃器程式碼來估計使用該連接序列執行查詢的成本。（對於連接序列的每個步驟，都會考慮所有三種可能的連接策略；並且所有最初確定的關聯掃描計畫都可用。估計成本是這些可能性中最便宜的。）估計成本較低的連接序列被認為比成本較高的連接序列「更適合」。基因演算法會丟棄最不適合的候選者。然後，透過組合更適合的候選者的基因來產生新的候選者，也就是說，透過使用隨機選擇的已知低成本連接序列的部分來建立新的序列以供考慮。重複此過程，直到考慮了預設數量的連接序列；然後使用在搜尋期間隨時找到的最佳序列來產生完成的計畫。

由於在初始群體選擇和後續最佳候選者的「突變」期間進行的隨機選擇，因此此過程本質上是不確定的。為了避免所選計畫的令人驚訝的變化，GEQO 演算法的每次執行都會使用目前的 geqo_seed 參數設定重新啟動其亂數產生器。只要 geqo_seed 和其他 GEQO 參數保持不變，就會為給定的查詢（以及其他規劃器輸入，例如統計資訊）產生相同的計畫。若要試驗不同的搜尋路徑，請嘗試變更 geqo_seed。

仍需要進行工作來改進基因演算法參數設定。在檔案 src/backend/optimizer/geqo/geqo_main.c 中，常式 gimme_pool_size 和 gimme_number_generations，我們必須為參數設定找到一個折衷方案，以滿足兩個相互競爭的需求

在目前的實作中，每個候選的連接順序的適應度是透過從頭開始執行標準規劃器的連接選擇和成本估算程式碼來估算的。如果不同的候選方案使用相似的連接子序列，則會重複大量的工作。透過保留子連接的成本估算，可以顯著加快這個過程。問題是如何避免花費不合理的記憶體量來保留該狀態。

更基本的問題是，使用專為 TSP 設計的 GA 演算法來解決查詢最佳化問題是否合適。在 TSP 的情況下，與任何子字串（部分路徑）相關聯的成本與路徑的其餘部分無關，但這對於查詢最佳化來說肯定不是真的。因此，邊緣重組交叉是否是最有效的突變程序是值得懷疑的。