自1998年的Watts和Strogatz提出“小世界”网络模型，1999年Barabàsi和Albert提出“无标度”网络演化模型以来，复杂网络的研究在实证分析、网络的演化模型、网络的动力学行为和复杂网络理论的应用这四个方面取得了惊人的进展。遗传算法是一种模仿生物进化过程的启发式搜索算法，从本质上看，其研究对象是一个由众多个体组成的复杂自适应系统。随着复杂网络理论的发展人们开始研究基于复杂网络的遗传算法。由于遗传算法的种群结构直接影响优秀基因段的重组和传播，所以一些研究集中在遗传算法的种群结构上。信息流网络描述了遗传算法中个体间实际的迭代拓扑，这为我们提供了一个新视角来研究遗传算法。通过对信息流网络的研究我们可以更好地理解遗传算法在不同操作控制下的特性。本文对信息流网络中节点度分布的进行了详细研究，包括幂律分布的标度指数的变化。本文旨在揭示遗传算法在不同操作下信息流网络的特性，并给出不同于先前研究者给出的解释。我们根据经验分析了遗传算法中信息流网络的静态特性。实验结果显示，当至少有一些选择压力的时候，信息流网络中节点的度分布是无标度的，并且当度很小的时候度分布图会出现分支现象。增大交叉率，减小变异率或是减小选择压力将会增加节点的平均度，因此导致标度指数的减小。这些研究会对种群中基因物质的分布和结合的理解有所帮助，并有益于提高遗传算法的效率。