Genetisk algoritme, inden for kunstig intelligens, en type evolutionær computeralgoritme, hvor symboler (ofte kaldet “gener” eller “kromosomer”), der repræsenterer mulige løsninger, “avles”. Denne “avl” af symboler omfatter typisk anvendelse af en mekanisme, der svarer til crossing-over-processen i genetisk rekombination, og en justerbar mutationsrate. Der anvendes en fitnessfunktion for hver generation af algoritmer til gradvist at forbedre løsningerne i lighed med den naturlige udvælgelsesproces. Processen med at udvikle de genetiske algoritmer og automatisere udvælgelsen er kendt som genetisk programmering. Ud over generel software anvendes genetiske algoritmer undertiden i forskning med kunstigt liv, celleautomater og neurale netværk.
Og selv om John Holland ikke var den første, der eksperimenterede med genetiske algoritmer, gjorde han meget for at udvikle og popularisere området med sit arbejde i begyndelsen af 1970’erne på University of Michigan. Som beskrevet i hans bog, Adaptation in Natural and Artificial Systems (1975; revideret og udvidet 1992), udviklede han en metode, eller skemateorem, til at evaluere hver generation af genetiske algoritmer. John Koza, en af Hollands ph.d.-studerende og indehaver af mere end et dusin patenter i forbindelse med genetisk programmering, var en af de første til at udvikle kommercielle anvendelser af området som grundlægger af et firma kendt som Scientific Games. Koza delte sine programmeringserfaringer i en række bøger, der begyndte med Genetic Programming: On the Programming of Computers by Means of Natural Selection (1992).
En af de vanskeligheder, der ofte opstår i forbindelse med genetisk programmering, er, at algoritmerne hænger fast i et område med en rimelig god løsning (et “lokalt optimalt område”) i stedet for at finde den bedste løsning (et “globalt optimum”). Det kræver undertiden menneskelig indgriben at overvinde sådanne evolutionære blindgyder. Desuden er genetisk programmering beregningskrævende. I 1990’erne var programmeringsteknikkerne ikke udviklet tilstrækkeligt til at retfærdiggøre den dyre brug af supercomputere, hvilket begrænsede anvendelsen til ret simple problemer. Efterhånden som billigere pc’er blev mere kraftfulde, begyndte genetisk programmering imidlertid at få bemærkelsesværdig kommerciel succes inden for kredsløbsdesign, datasortering og -søgning samt kvanteberegning. Desuden har National Aeronautics and Space Administration (NASA) anvendt genetisk programmering ved udformningen af antenner til Space Technology 5 Project, som omfattede tre “mikrosatellitter”, der blev opsendt i 2006 med henblik på at overvåge virkningerne af solaktivitet på Jordens magnetosfære.