الگوریتم های تکاملی تکنیک پیاده سازی مکانیزم هایی مانند تولید مجدد ، جهش، ترکیب مجدد(ادغام)، انتخاب طبیعی (فرایندی که توسط آن افرادی دارای مشخصه های مطلوب با احتمال بیشتری برای تولید افراد بعدی به کار می روند. پس مشخصه های مطلوب در نسل بعد عمومی تر می شوند) و بقای شایسته ترین است. ولی محاسبات تکاملی دارای مشخصه های زیر می باشند: - مبنی بر جمعیت - جستجوی تصادفی هدایت شده - پردازش موازی - ملهم از زیست شناسی محاسبات تکاملی اغلب شامل الگوریتم های بهینه سازی فرااکتشافی است مانند: - الگوریتم های تکاملی (شامل الگوریتم ژنتیک، برنامه نویسی تکاملی، استراتژی تکاملی، برنامه نویسی ژنتیک و سیستم های طبقه بندی کننده یادگیر (learning classifier systems) ) - هوش گروهی (شامل بهینه سازی گروه مورچگان و بهینه سازی گروه ذرات ) و تا حد کمتری شامل: - خودسازماندهی (نقشه های خودسازمانده ، گاز عصبی در حال رشد، یادگیری رقابتی) - تکامل تفاضلی (دیفرانسیلی) - زندگی مصنوعی - الگوریتم های فرهنگ - سیستم های ایمنی مصنوعی - مدل تکاملی قابل یادگیری هوش گروهی (si) یک تکنیک هوش مصنوعی مبنی بر بررسی رفتار جمعی در سیستم های غیر متمرکز و خودسازمانده است . این واژه توسط wang و beni در سال 1989 و در مبحث سیستم های رباتی سلولی مطرح شد.