Antes de que se utilizaran los algoritmos genéticos como métodos de búsqueda en sistemas de inteligencia artificial, muchos biólogos utilizaban ordenadores para simular sistemas genéticos naturales. Especialmente en la investigación de simulación de Fraser, propuso conceptos e ideas muy similares al algoritmo genético actual en 1962. Sin embargo, Fraser y otros estudiosos no se dieron cuenta de que los algoritmos genéticos naturales podían transformarse en algoritmos genéticos artificiales. El profesor Holland y sus alumnos rápidamente se dieron cuenta de la importancia de este cambio. Holland cree que tiene más sentido desarrollar una teoría y un método generales que puedan simular el mecanismo genético de la selección natural que encontrar uno u otro método específico para resolver el problema. Durante este período, Holland no sólo descubrió la función básica de la selección genética artificial basada en la aptitud, sino que también llevó a cabo investigaciones serias sobre la manipulación de la población. En 1965, propuso por primera vez la importancia de la manipulación genética artificial y la aplicó a sistemas naturales y artificiales.
En 1967, Bagley propuso por primera vez el término algoritmo genético en su artículo y discutió la aplicación del algoritmo genético en juegos automáticos. Las operaciones que propuso, incluidas la selección, el cruce y la mutación, están muy cerca de las operaciones correspondientes en los algoritmos genéticos actuales. En particular, realizó una investigación muy significativa sobre las operaciones de selección. Se dio cuenta de que las probabilidades de selección deberían variar apropiadamente al principio y al final de la evolución genética. Para ello, introdujo el concepto de escalamiento de aptitud, una técnica comúnmente utilizada en algoritmos genéticos. Al mismo tiempo, también propuso por primera vez el concepto de autoajuste de algoritmos genéticos, que integra la probabilidad de cruce y mutación en la codificación del propio cromosoma, de modo que el algoritmo pueda autoajustarse y optimizarse. Aunque Bagley no realizó experimentos de simulación por computadora, estas ideas desempeñaron un papel muy obvio en el desarrollo posterior de los algoritmos genéticos.
Durante el mismo período, Rosenberg también estudió algoritmos genéticos. Su investigación todavía se basaba en la simulación de la evolución biológica, pero propuso muchas ideas únicas en operaciones genéticas. Cavicchio aplicó algoritmos genéticos para el reconocimiento de patrones en 1970. De hecho, no participó directamente en el reconocimiento de patrones, sino que solo diseñó un conjunto de detectores para el reconocimiento mediante algoritmos genéticos. Cavicchio también ha realizado muchas investigaciones distintivas sobre operaciones genéticas y autoajuste de algoritmos genéticos.
Weinberg publicó un artículo titulado "Simulación por ordenador de células vivas" en 1971. Debido a que él, al igual que Rosenberg, se centró en la simulación de la herencia biológica, a veces se pasan por alto sus contribuciones a los algoritmos genéticos. De hecho, su algoritmo genético multinivel o multinivel sigue siendo impresionante.
La primera persona en utilizar algoritmos genéticos para la optimización de funciones fue Hollstien. En 1971, desarrolló el método de aplicación del algoritmo genético en el control de retroalimentación digital en el artículo "Método adaptativo genético artificial en el sistema de control por computadora". De hecho, discutió principalmente la optimización de funciones binarias. Entre ellos, se estudian en profundidad el control, cruce y mutación de genes dominantes, así como diversas técnicas de codificación.
1975 fue un año muy importante en la historia de la investigación de algoritmos genéticos. Este año Holanda publicó su famosa monografía "Adaptación entre sistemas naturales y artificiales". Este libro explica sistemáticamente las teorías y métodos básicos de los algoritmos genéticos y propone una teoría de esquemas que es extremadamente importante para la investigación teórica y el desarrollo de algoritmos genéticos. Esta teoría demuestra por primera vez la importancia de las operaciones genéticas estructuralmente reorganizadas para obtener un paralelismo implícito. Sólo entonces supe qué hacía la manipulación genética y por qué se hacía tan bien. Esto tendría un efecto guía inconmensurable en las manipulaciones genéticas posteriores que se desarrollaran en el futuro.
Ese mismo año, de Jong completó su importante artículo "Análisis conductual de sistemas de adaptación genética".
Su trabajo en este artículo puede considerarse un hito en el desarrollo de algoritmos genéticos, ya que combinó la teoría de patrones de Holland con sus experimentos computacionales. Aunque De Jong, al igual que Holstine, se centró principalmente en la investigación aplicada de optimización de funciones, mejoró y sistematizó aún más las operaciones de selección, cruce y mutación, y también propuso nuevas técnicas de operación genética, como la brecha generacional. Se puede considerar que el trabajo de investigación de De Jong sentó una base sólida para los algoritmos genéticos y sus aplicaciones, y muchas de sus conclusiones todavía tienen un significado rector universal en la actualidad.
En la década de 1980, los algoritmos genéticos marcaron el comienzo de un período de próspero desarrollo, y tanto la investigación teórica como la investigación aplicada se convirtieron en un tema muy candente. En particular, la investigación de aplicaciones de algoritmos genéticos es particularmente activa. No sólo se ha ampliado el campo de aplicación, sino que también se ha mejorado significativamente la capacidad de optimizar y aprender reglas, y también se está explorando la investigación sobre aplicaciones industriales. Además, se han desarrollado rápidamente algunas teorías y métodos nuevos en la investigación aplicada, lo que sin duda añade nueva vitalidad a los algoritmos genéticos.
Con la expansión de los campos de aplicación, han surgido varias nuevas tendencias llamativas en la investigación de algoritmos genéticos. Uno se basa en el aprendizaje automático genético, que es un nuevo tema de investigación que amplía los algoritmos genéticos desde algoritmos de búsqueda optimizados en espacios de búsqueda discretos hasta algoritmos de aprendizaje automático completamente nuevos con capacidades únicas de generación de reglas. Este nuevo mecanismo de aprendizaje trae esperanza para resolver el problema del cuello de botella de la adquisición y optimización y refinamiento del conocimiento en la inteligencia artificial. En segundo lugar, los algoritmos genéticos están cada vez más penetrados y combinados con otros métodos informáticos inteligentes, como las redes neuronales, el razonamiento difuso y la teoría del caos, que serán de gran importancia para abrir nuevas tecnologías informáticas inteligentes en el siglo XXI. En tercer lugar, la investigación sobre el procesamiento paralelo de algoritmos genéticos es muy activa. Esta investigación es muy importante no sólo para el desarrollo de algoritmos genéticos en sí, sino también para la investigación sobre la arquitectura de una nueva generación de ordenadores inteligentes. En cuarto lugar, están penetrando los algoritmos genéticos y otro nuevo campo de investigación llamado vida artificial. La llamada vida artificial consiste en utilizar computadoras para simular los ricos y coloridos fenómenos de la vida en la naturaleza. Entre ellos, la adaptación biológica, la evolución y la inmunidad son importantes objetos de investigación de la vida artificial. Los algoritmos genéticos desempeñarán un papel determinado en este aspecto. En quinto lugar, los algoritmos genéticos se combinan cada vez más con teorías informáticas evolutivas, como la planificación evolutiva y las estrategias evolutivas. EP y ES se desarrollaron de forma independiente casi al mismo tiempo que los algoritmos genéticos. Al igual que los algoritmos genéticos, también son métodos informáticos inteligentes que simulan el mecanismo de evolución biológica natural. Tienen similitudes y características con los algoritmos genéticos.
Con la continua profundización y desarrollo de la investigación y aplicación de algoritmos genéticos, una serie de conferencias internacionales sobre algoritmos genéticos son muy activas. Desde 1985, la ICGA (Conferencia Internacional sobre Algoritmos Genéticos) se celebra cada dos años. En Europa, desde 1990 se celebra cada dos años una conferencia similar, PPSN (Parallel Problem Solving from Nature). Además de los algoritmos genéticos, la mayoría de los artículos académicos sobre ES y EP también aparecen en PPSN. Además, la conferencia académica que se centra en las bases teóricas de los algoritmos genéticos es FOGA (Fundamentos de algoritmos genéticos). También se celebra cada dos años desde 1990. Los artículos de estas conferencias académicas internacionales reflejan los últimos desarrollos y tendencias en algoritmos genéticos en los últimos años.