在計算機科學中，進化計算是一個受生物進化啟發的全局優化算法系列，也是研究這些算法的人工智能和軟計算的子領域。從技術上講，它們是一系列基于群體的試錯問題解決方法，具有元啟發式或隨機優化的特點。在進化計算中，初始的候選解決方案集被生成并反復更新。每個新的一代都是通過隨機地刪除不太需要的解決方案，并引入小的隨機變化而產生的。在生物學術語中，一個解決方案的群體要經過自然選擇（或人工選擇）和變異。其結果是，群體將逐漸演化出更多的適合性，在這種情況下，就是算法所選擇的適合性函數。進化計算技術可以在廣泛的問題環境中產生高度優化的解決方案，使其在計算機科學中很受歡迎。存在許多變體和擴展，適合于更具體的問題系列和數據結構。進化計算有時也被用在進化生物學中，作為研究一般進化過程的共同方面的硅基實驗程序。

模仿進化過程來解決問題的概念起源于計算機出現之前，比如艾倫-圖靈在1948年提出了一種遺傳搜索的方法。圖靈的B型U型機類似于原始的神經網絡，神經元之間的連接是通過某種遺傳算法學習的。他的P型u-machines類似于強化學習的方法，其中快樂和痛苦信號引導機器學習某些行為。然而，圖靈的論文直到1968年才發表，而他在1954年去世，所以這項早期工作對后來發展的進化計算領域幾乎沒有影響。進化計算作為一個領域在20世紀50年代和60年xxx始認真地進行。這時有幾個獨立的嘗試在計算中使用進化過程，這些嘗試分別發展了大約15年。為了實現這一目標，在不同地方出現了三個分支：進化策略、進化編程和遺傳算法。第四個分支，遺傳編程，最終在20世紀90年代初出現了。這些方法在選擇方法、允許的突變和遺傳數據的表示方法上有所不同。到20世紀90年代，這些歷史分支之間的區別已經開始模糊，1991年創造了"進化計算"一詞，以表示存在于所有四個范式的領域。在這個系統中，有限狀態機被用來解決一個預測問題：這些機器將被變異（增加或刪除狀態，或改變狀態轉換規則），這些變異的機器中xxx的將在未來幾代中進一步進化。最終的有限狀態機在需要時可用于生成預測。

進化編程方法被成功應用于預測問題、系統識別和自動控制。它最終被擴展到處理時間序列數據，并對博弈策略的演變進行建模。由于傳統的梯度下降技術產生的結果可能會陷入局部最小值，Rechenberg和Schwefel提出，隨機突變（應用于一些解決方案矢量的所有參數）可以用來擺脫這些最小值。子代解決方案從父代解決方案中產生，兩者中更成功的被保留到未來的世代。這種技術首先被兩人用來成功解決流體力學中的優化問題。最初，這種優化技術是在沒有計算機的情況下進行的，而是依靠骰子來確定隨機突變。以比特串表示的染色體種群通過人工選擇過程進行轉化，選擇比特串中特定的"等位基因"位。在其他變異方法中，染色體之間的相互作用被用來模擬不同生物體之間的DNA重組。