Genetic algorithm, em inteligência artificial, um tipo de algoritmo informático evolutivo em que os símbolos (muitas vezes chamados de “genes” ou “cromossomas”) que representam possíveis soluções são “criados”. Esta “reprodução” de símbolos inclui tipicamente o uso de um mecanismo análogo ao processo de cruzamento em recombinação genética e uma taxa de mutação ajustável. Uma função de adequação é usada em cada geração de algoritmos para melhorar gradualmente as soluções em analogia ao processo de seleção natural. O processo de evolução dos algoritmos genéticos e de automatização da seleção é conhecido como programação genética. Além do software geral, os algoritmos genéticos são às vezes usados em pesquisas com vida artificial, autômatos celulares e redes neurais.
> Embora não seja o primeiro a experimentar algoritmos genéticos, John Holland fez muito para desenvolver e popularizar o campo com seu trabalho no início dos anos 70 na Universidade de Michigan. Como descrito em seu livro Adaptação em Sistemas Naturais e Artificiais (1975; revisado e expandido em 1992), ele desenvolveu um método, ou teorema de esquemas, para avaliar cada geração de algoritmos genéticos. John Koza, um dos doutorandos da Holanda e detentor de mais de uma dezena de patentes relacionadas com programação genética, foi um dos primeiros a desenvolver aplicações comerciais da área, como fundador de uma empresa conhecida como Scientific Games. Koza partilhou as suas experiências de programação numa sequência de livros que começou com a Programação Genética: Sobre a Programação de Computadores por Meios de Seleção Natural (1992).
Uma dificuldade frequentemente encontrada na programação genética é que os algoritmos ficam presos na região de uma solução razoavelmente boa (uma “região localmente ótima”) em vez de encontrar a melhor solução (um “ótimo global”). A superação de tais becos sem saída evolutivos requer por vezes a intervenção humana. Além disso, a programação genética é computacionalmente intensiva. Durante os anos 90, as técnicas de programação para ela não se desenvolveram o suficiente para justificar o uso caro de supercomputadores, o que limitou as aplicações a problemas bastante simplistas. No entanto, à medida que os computadores pessoais mais baratos se tornaram mais poderosos, a programação genética começou a ter notável sucesso comercial no desenho de circuitos, na classificação e pesquisa de dados, e na computação quântica. Além disso, a National Aeronautics and Space Administration (NASA) usou programação genética no projeto de antenas para o Projeto Space Technology 5, que envolveu três “micro-satélites” lançados em 2006 para monitorar os efeitos da atividade solar na magnetosfera da Terra.