Algorytm genetyczny, w sztucznej inteligencji, rodzaj ewolucyjnego algorytmu komputerowego, w którym symbole (często nazywane „genami” lub „chromosomami”) reprezentujące możliwe rozwiązania są „hodowane”. Ta „hodowla” symboli zazwyczaj obejmuje użycie mechanizmu analogicznego do procesu krzyżowania w rekombinacji genetycznej oraz regulowaną szybkość mutacji. Funkcja fitness jest używana w każdej generacji algorytmów do stopniowego ulepszania rozwiązań, analogicznie do procesu selekcji naturalnej. Proces ewolucji algorytmów genetycznych i automatyzacji selekcji jest znany jako programowanie genetyczne. Oprócz ogólnego oprogramowania, algorytmy genetyczne są czasami wykorzystywane w badaniach nad sztucznym życiem, automatami komórkowymi i sieciami neuronowymi.
Although not the first to experiment with genetic algorithms, John Holland did much to develop and popularize the field with his work in the early 1970s at the University of Michigan. Jak opisano w jego książce Adaptation in Natural and Artificial Systems (1975; poprawiona i rozszerzona 1992), opracował on metodę, zwaną twierdzeniem schematu, służącą do oceny każdej generacji algorytmów genetycznych. John Koza, jeden z doktorantów Hollanda i posiadacz kilkunastu patentów związanych z programowaniem genetycznym, był jednym z pierwszych, którzy rozwinęli komercyjne zastosowania tej dziedziny, jako założyciel firmy znanej jako Scientific Games. Koza podzielił się swoimi doświadczeniami w zakresie programowania w serii książek, poczynając od Genetic Programming: On the Programming of Computers by Means of Natural Selection (1992).
Jedną z trudności często napotykanych w programowaniu genetycznym jest to, że algorytmy utknęły w regionie dość dobrego rozwiązania („lokalnie optymalny region”), zamiast znaleźć najlepsze rozwiązanie („globalne optimum”). Przezwyciężenie takich ewolucyjnych ślepych zaułków wymaga czasem interwencji człowieka. Ponadto, programowanie genetyczne jest intensywne obliczeniowo. W latach 90. techniki programowania nie były na tyle rozwinięte, aby uzasadnić kosztowne użycie superkomputerów, co ograniczało zastosowania do raczej uproszczonych problemów. Jednakże, gdy tańsze komputery osobiste stały się bardziej wydajne, programowanie genetyczne zaczęło odnosić znaczące sukcesy komercyjne w projektowaniu obwodów, sortowaniu i wyszukiwaniu danych oraz obliczeniach kwantowych. Ponadto, National Aeronautics and Space Administration (NASA) wykorzystała programowanie genetyczne w projektowaniu anten dla Space Technology 5 Project, który obejmował trzy „mikrosatelity” wystrzelone w 2006 roku w celu monitorowania wpływu aktywności słonecznej na magnetosferę Ziemi.
.