Geneettinen algoritmi, tekoälyssä eräänlainen evolutiivinen tietokonealgoritmi, jossa mahdollisia ratkaisuja edustavat symbolit (usein ”geenit” tai ”kromosomit”) ”kasvatetaan”. Tässä symbolien ”jalostuksessa” käytetään tyypillisesti mekanismia, joka on analoginen geneettisessä rekombinaatiossa tapahtuvan ristiinkytkentäprosessin kanssa, ja säädettävää mutaationopeutta. Jokaisessa algoritmisukupolvessa käytetään fitness-funktiota ratkaisujen asteittaiseen parantamiseen luonnonvalinnan prosessia vastaavasti. Geneettisten algoritmien kehitysprosessi ja valinnan automatisointi tunnetaan geneettisenä ohjelmointina. Yleisten ohjelmistojen lisäksi geneettisiä algoritmeja käytetään joskus tekoelämän, soluautomaattien ja neuroverkkojen tutkimuksessa.
Vaikkei John Holland ollutkaan ensimmäinen geneettisiä algoritmeja kokeillut, hän teki paljon alan kehittämiseksi ja popularisoimiseksi työskentelemällä 1970-luvun alussa Michiganin yliopistossa. Kuten hän kuvasi kirjassaan Adaptation in Natural and Artificial Systems (1975; uudistettu ja laajennettu 1992), hän kehitti menetelmän eli skeemateoremin geneettisten algoritmien kunkin sukupolven arvioimiseksi. John Koza, yksi Hollandin tohtoriopiskelijoista ja yli tusinan geneettiseen ohjelmointiin liittyvän patentin haltija, oli yksi ensimmäisistä alan kaupallisten sovellusten kehittäjistä Scientific Games -nimisen yrityksen perustajana. Koza kertoi ohjelmointikokemuksistaan useissa kirjoissa, jotka alkoivat kirjasta Genetic Programming: On the Programming of Computers by Means of Natural Selection (1992).
Yksi geneettisessä ohjelmoinnissa usein esiintyvä ongelma on se, että algoritmit juuttuvat kohtuullisen hyvän ratkaisun alueelle (”paikallisesti optimaalinen alue”) sen sijaan, että ne löytäisivät parhaan ratkaisun (”globaali optimi”). Tällaisten evolutiivisten umpikujien voittaminen vaatii joskus ihmisen väliintuloa. Lisäksi geneettinen ohjelmointi on laskentaintensiivistä. Sen ohjelmointitekniikat eivät 1990-luvulla olleet kehittyneet riittävästi, jotta supertietokoneiden kallis käyttö olisi ollut perusteltua, mikä rajoitti sovellukset melko yksinkertaisiin ongelmiin. Kun halvemmista henkilökohtaisista tietokoneista tuli kuitenkin entistä tehokkaampia, geneettinen ohjelmointi alkoi saavuttaa huomattavaa kaupallista menestystä piirisuunnittelussa, tietojen lajittelussa ja haussa sekä kvanttilaskennassa. Lisäksi Kansallinen ilmailu- ja avaruushallinto (NASA) käytti geneettistä ohjelmointia antennien suunnittelussa Space Technology 5 -hankkeessa, johon kuului kolme vuonna 2006 laukaistua ”mikrosatelliittia”, joiden tarkoituksena oli seurata auringon aktiivisuuden vaikutuksia Maan magnetosfääriin.