Genetisch algoritme, in kunstmatige intelligentie, een type evolutionair computeralgoritme waarin symbolen (vaak “genen” of “chromosomen” genoemd) die mogelijke oplossingen vertegenwoordigen, worden “gekweekt”. Dit “fokken” van symbolen omvat gewoonlijk het gebruik van een mechanisme dat analoog is aan het kruisingsproces bij genetische recombinatie en een instelbare mutatiesnelheid. Bij elke generatie algoritmen wordt een geschiktheidsfunctie gebruikt om de oplossingen geleidelijk te verbeteren, naar analogie van het proces van natuurlijke selectie. Het proces van evolutie van de genetische algoritmen en automatisering van de selectie staat bekend als genetische programmering. Naast algemene software worden genetische algoritmen soms gebruikt bij onderzoek met kunstmatig leven, cellulaire automaten en neurale netwerken.
Hoewel hij niet de eerste was die experimenteerde met genetische algoritmen, heeft John Holland veel gedaan om het veld te ontwikkelen en te populariseren met zijn werk in het begin van de jaren zeventig aan de Universiteit van Michigan. Zoals beschreven in zijn boek, Adaptation in Natural and Artificial Systems (1975; herzien en uitgebreid 1992), bedacht hij een methode, of schema theorema, voor het evalueren van elke generatie van genetische algoritmen. John Koza, een van Holland’s doctoraalstudenten en houder van meer dan een dozijn patenten in verband met genetische programmering, was een van de eersten die commerciële toepassingen van het veld ontwikkelde, als oprichter van een bedrijf dat bekend staat als Scientific Games. Koza deelde zijn programmeerervaringen in een reeks boeken, te beginnen met Genetic Programming: On the Programming of Computers by Means of Natural Selection (1992).
Een moeilijkheid die men vaak tegenkomt bij genetisch programmeren is dat de algoritmen blijven steken in het gebied van een redelijk goede oplossing (een “lokaal optimaal gebied”) in plaats van de beste oplossing (een “globaal optimum”) te vinden. Om dergelijke evolutionaire impasses te overwinnen is soms menselijk ingrijpen vereist. Bovendien is genetische programmering rekenintensief. In de jaren negentig waren de programmeertechnieken daarvoor nog niet voldoende ontwikkeld om het dure gebruik van supercomputers te rechtvaardigen, waardoor de toepassingen beperkt bleven tot vrij simplistische problemen. Naarmate goedkopere personal computers krachtiger werden, begon genetische programmering echter opmerkelijk commercieel succes te oogsten bij het ontwerpen van circuits, het sorteren en opzoeken van gegevens, en quantumcomputing. Bovendien heeft de National Aeronautics and Space Administration (NASA) genetische programmering gebruikt bij het ontwerp van antennes voor het Space Technology 5 Project, waarbij het ging om drie “microsatellieten” die in 2006 werden gelanceerd om de effecten van zonneactiviteit op de magnetosfeer van de aarde te monitoren.