Geneettinen optimointi on ohjelmointialgoritmien käyttäminen ongelman parhaan ratkaisun löytämiseksi. Tämä juontaa juurensa jo 1950 -luvulla alkaneiden matemaatikkojen työhön, jotka ottivat biologiassa näkemänsä mallit ja sovelsivat niitä epälineaarisiin ongelmiin, joita oli vaikea ratkaista tavanomaisin keinoin. Ajatuksena on jäljitellä biologiaa, joka kehittyy sukupolvien aikana ja muodostaa sopivimman mahdollisen väestön. Ohjelmoinnissa on mahdollista simuloida tätä prosessia luodakseen ongelmaan luova ratkaisu.
Epälineaariset ongelmat voivat olla haastavia matemaatikoille. Esimerkkinä voidaan mainita arvopaperikauppa, jossa voi olla useita mahdollisia päätöksiä, jotka haarautuvat nopeasti ja muodostavat valintojen puun. Kunkin valinnan todennäköisyyksien laskeminen itsenäisesti olisi erittäin aikaa vievää. Matemaatikko saattaa myös menettää optimaalisen ratkaisun, jos se ei yhdistä mahdollisia vaihtoehtoja uusien permutaatioiden tutkimiseksi. Geneettisen optimoinnin avulla tutkijat voivat suorittaa tällaisia laskelmia tehokkaammin.
Tutkija aloittaa kiinnostavalla aiheella, joka tunnetaan nimellä “populaatio” ja joka voidaan jakaa yksilöihin, jotka joskus tunnetaan olentoina, organismeina tai kromosomeina. Nämä biologiasta lainatut termit heijastavat tämän lähestymistavan alkuperää ohjelmoinnille. Tietokone voi aloittaa simulaation suorittamisen populaation kanssa valitsemalla yksittäiset organismit sukupolven sisällä ja sallien niiden sekoittumisen uuden sukupolven luomiseksi. Tämä prosessi voidaan toistaa useiden sukupolvien ajan mahdollisten ratkaisujen yhdistämiseksi ja yhdistämiseksi, mikä on ihanteellista saavuttaa sopivin vaihtoehto tietyille olosuhteille.
Tämä voi olla äärimmäisen voimakasta. Geneettisessä optimoinnissa käytetyt laskelmat vaativat huomattavaa laskentatehoa, jotta voidaan nopeasti vertailla ja valita useita vaihtoehtoja ja yhdistelmiä samanaikaisesti. Geneettisen optimoinnin varhaista tutkimusta rajoitti joskus käytettävissä oleva prosessointiteho, koska tutkijat näkivät mahdolliset sovellukset, mutta eivät voineet suorittaa monimutkaisia ohjelmia. Tietokoneen tehon kasvaessa myös tämän menetelmän hyödyllisyys kasvaa, vaikka suuret ja monimutkaiset laskelmat saattavat silti vaatia erittäin erikoistuneen tietokoneen.
Matematiikan tutkijat voivat työskennellä geneettisen optimoinnin kanssa monissa eri tilanteissa. Uusien kaavojen ja lähestymistapojen jatkuva kehittäminen havainnollistaa matematiikan kehitystä, kun ihmiset oppivat uusia tapoja käsitellä monimutkaisia ongelmia. Joitakin yksinkertaisia geneettisiä optimointeja voidaan nähdä esimerkiksi asetuksissa, kuten arvopaperikauppiaiden ohjelmistoissa ja pelien ja virtuaalitodellisuuden ohjelmoinnissa, joissa ohjelmoijat haluavat käyttäjiltä luonnollisemman kokemuksen.