Thuật toán tiến hóa (Evolutionary Algorithm) là một nhóm các thuật toán tìm kiếm và tối ưu hóa được lấy cảm hứng từ quá trình tiến hóa tự nhiên. Chúng được sử dụng để giải quyết các bài toán tối ưu hóa phức tạp, phân định hoặc hỗn hợp các bài toán.

Thuật toán tiến hóa hoạt động thông qua việc mô phỏng các nguyên tắc trong tiến hóa tự nhiên, bao gồm lựa chọn tự nhiên, đột biến, lai ghép và di truyền. Đối với một bài toán cụ thể, thuật toán sẽ khởi tạo một quần thể ban đầu chứa các giải pháp ngẫu nhiên. Sau đó, thuật toán sẽ lặp lại quá trình đánh giá, lựa chọn, lai ghép và đột biến để tạo ra các thế hệ tiếp theo của quần thể. Thuật toán tiến hóa thường dừng lại khi đạt được điều kiện dừng, chẳng hạn như số lần lặp tối đa, sai số tối thiểu, hoặc sự hội tụ không đổi của các giải pháp tối ưu.

Các ví dụ về thuật toán tiến hóa bao gồm:

1. Giải thuật di truyền (Genetic Algorithm): Sử dụng kỹ thuật di truyền để tìm kiếm và tối ưu hóa giải pháp.
2. Chiến lược tiến hóa (Evolution Strategy): Tập trung vào việc điều chỉnh và tối ưu hóa thông số trong quá trình tìm kiếm.
3. Giải thuật tiến hóa lập ngôn (Genetic Programming): Sử dụng di truyền để tối ưu hóa và phát triển các chương trình máy tính.
4. Thuật toán tối ưu hóa đàn côn trùng (Particle Swarm Optimization): Áp dụng quan sát động vật theo đàn, như chuyển động của đàn cá, để tìm kiếm giải pháp tối ưu.

Ưu điểm của thuật toán tiến hóa là khả năng tìm kiếm giải pháp tối ưu địa phương và toàn cục trong không gian giải pháp lớn, đồng thời giảm thiểu rủi ro rơi vào các cực tiểu địa phương không mong muốn. Tuy nhiên, chúng cũng có nhược điểm là đòi hỏi nhiều lần lặp và tính toán, có thể tốn nhiều thời gian và tài nguyên máy tính, đặc biệt khi đối mặt với các bài toán quy mô lớn.