遗传算法是一种受自然选择原理启发的搜索与优化技术，其中候选解群体通过类似于突变、交叉（重组）和选择的操作进行迭代演化，以在连续世代中提高适应度，从而朝向既定目标优化。遗传算法属于人工智能和机器学习中更广泛的进化计算方法家族。
机制
遗传算法从随机生成的候选解群体开始，每个候选解通常编码为类似于染色体的字符串或向量。每个候选解通过适应度函数进行评估，该函数根据其解决目标问题的效果进行评分。得分较高的候选解更有可能被选为“父代”，其编码通过交叉组合产生后代，偶尔引入随机突变以维持多样性并避免过早收敛于次优解。这一评估、选择和重组的循环在多个世代中重复进行，整体群体的平均适应度随时间趋于提高，尽管不保证能找到全局最优解。
历史
该领域的数学基础由约翰·霍兰德正式确立，其1975年出版的著作《自然与人工系统中的适应性》将遗传算法引入为一种通用的自适应搜索框架，建立在20世纪50年代和60年代早期的进化计算实验之上。霍兰德的学生和合作者，包括大卫·戈德堡，扩展了该框架的理论基础，并在20世纪80年代和90年代推广了实际应用。
应用
遗传算法已应用于调度和路由问题、工程设计优化（包括NASA等机构评估的天线和气动外形）、遗传编程相关领域的自动程序合成，以及机器学习系统的超参数搜索。它们特别适用于那些具有大规模、复杂、不可微搜索空间的问题，在这些问题中，基于梯度的方法不可用或无效，因为遗传算法仅需要评估候选解适应度的能力，而无需计算目标的导数。
神经进化
一个显著的应用领域是神经进化，它使用进化方法来设计或训练神经网络架构和权重，有时与强化学习结合用于控制和游戏任务。神经进化已被探索作为反向传播训练网络的替代或补充，在机器人学和具身智能研究中，其中奖励信号稀疏或网络拓扑本身（不仅仅是权重）是设计变量。
局限性与现代相关性
与现代深度网络的高维参数空间相比，遗传算法在扩展性上较差，不如基于梯度下降的优化方法（如反向传播），并且在2010年代初期之后，随着反向传播训练的深度学习架构占据主导地位，遗传算法在很大程度上退出了主流研究。然而，它们仍活跃用于标准监督训练之外的优化领域、神经进化细分领域，并作为开放性和进化方法研究的概念参考点，这些方法旨在生成多样、新颖的解决方案，而非优化单一固定目标。