遗传算法（GAs）是基于自然选择和遗传学概念的搜索算法。遗传算法是进化计算这一更大学科的一个子集。

遗传算法由约翰・霍兰德（John Holland）和他在密歇根大学的学生及同事开发，其中最著名的是大卫・E・戈德堡（David E. Goldberg）。此后，遗传算法已在各种优化问题上取得了高度成功。

在遗传算法中，我们有一个针对给定问题的可能解决方案池。这些解决方案随后会进行重组和变异（类似于自然遗传学），产生新的后代，并且该过程会在多代中重复。每个个体（或候选解决方案）都会被分配一个适应度值（基于其目标函数值），适应度更高的个体将获得更高的交配机会，并产生更优的个体。这符合达尔文的适者生存理论。

因此，遗传算法会在多代中不断进化出更优的个体或解决方案，直到达到停止标准。

遗传算法本质上具有足够的随机性，但它们的性能比随机局部搜索（我们只是尝试随机解决方案，跟踪到目前为止的最佳方案）要好得多，因为它们还会利用历史信息。