Ģenētiskā optimizācija ir programmēšanas algoritmu izmantošana, lai atrastu labāko problēmas risinājumu. Tas ir radies matemātiķu darbā, kas sākās jau 1950. gados, kuri izmantoja bioloģijā redzētos modeļus un piemēroja tos nelineārām problēmām, kuras bija grūti atrisināt ar parastajiem līdzekļiem. Ideja ir atdarināt bioloģiju, kas attīstās paaudžu gaitā, lai izveidotu pēc iespējas piemērotāko populāciju. Programmēšanā ir iespējams simulēt šo procesu, lai rastu radošu problēmas risinājumu.
Nelineāras problēmas matemātiķiem var būt sarežģītas. Piemēru var redzēt vērtspapīru tirdzniecībā, kur var būt vairāki iespējamie lēmumi, kas ātri atzarojas, veidojot izvēļu koku. Neatkarīgi aprēķināt ar katru izvēli saistītās varbūtības būtu ļoti laikietilpīgi. Matemātiķis var arī palaist garām optimālu risinājumu, jo nespēj apvienot iespējamās izvēles, lai izpētītu jaunas permutācijas. Ģenētiskā optimizācija ļauj pētniekiem efektīvāk veikt šāda veida aprēķinus.
Pētnieks sāk ar interesējošo priekšmetu, kas pazīstams kā “populācija”, ko var iedalīt indivīdos, ko dažkārt sauc par radībām, organismiem vai hromosomām. Šie termini, kas aizgūti no bioloģijas, atspoguļo šīs programmēšanas pieejas izcelsmi. Dators var sākt veikt simulāciju ar populāciju, atlasot atsevišķus organismus vienā paaudzē un ļaujot tiem sajaukties, lai izveidotu jaunu paaudzi. Šo procesu var atkārtot vairākās paaudzēs, lai apvienotu un pārkombinētu iespējamos risinājumus, ideālā gadījumā nonākot pie vispiemērotākā varianta dotajiem apstākļiem.
Tas var būt ļoti resursietilpīgs. Ģenētiskajā optimizācijā izmantotajiem aprēķiniem ir nepieciešama ievērojama skaitļošanas jauda, lai ātri salīdzinātu un atlasītu vairākas iespējas un kombinācijas vienlaicīgi. Ģenētiskās optimizācijas agrīno izpēti dažkārt ierobežoja pieejamā apstrādes jauda, jo pētnieki varēja redzēt iespējamos lietojumus, bet nevarēja izpildīt sarežģītas programmas. Palielinoties datora jaudai, šīs metodes lietderība arī uzlabojas, lai gan lieliem un sarežģītiem aprēķiniem joprojām var būt nepieciešams ļoti specializēts dators.
Pētnieki matemātikas jomā var strādāt ar ģenētisko optimizāciju dažādos apstākļos. Pastāvīga jaunu formulu un pieeju izstrāde ilustrē matemātikas attīstību, jo cilvēki mācās par jauniem veidiem, kā apsvērt sarežģītas problēmas. Dažu vienkāršu ģenētisko optimizāciju var redzēt tādos iestatījumos kā programmatūra vērtspapīru tirgotājiem un programmēšana spēlēm un virtuālajai realitātei, kur programmētāji vēlas, lai lietotājiem būtu dabiskāka pieredze.