برنامه نویسی ژنتیک نوعی روش جستجوی اکتشافی است که با استفاده از جمعیتی از درخت های با اندازه متغیر و مفاهیم تکاملی، عمل جستجو را انجام می دهد. ایده مدل سازی خودکار از داده ها همواره از اهداف اصلی هوش مصنوعی بوده است و برنامه نویسی ژنتیک با ارائه روشی شهودی برای تولید خودکار مدل از روی داده ها توانسته است این هدف را برآورده سازد. با وجود استفاده گسترده از برنامه نویسی ژنتیک در کاربردهای مختلف، استفاده از این روش با مشکلاتی از قبیل افزایش بی رویه اندازه جواب ها و همچنین عدم کاوش موثر فضای جستجو نیز همراه است. هدف از انجام این پروژه بررسی مشکلات برنامه نویسی ژنتیک و ارائه راه حل هایی برای رفع این مشکلات و همچنین بهینه سازی عملکرد برنامه نویسی ژنتیک و ارائه راه حل هایی برای رفع این مشکلات و همچنین بهینه سازی عملکرد برنامه نویسی ژنتیک با استفاده از روش های بهینه سازی عددی می باشد. این پروژه به بررسی عوامل افزایش اندازه جمعیت در طول تکامل پرداخته و با انجام آزمایش هایی، روشی ترکیبی از راه حل های مطرح شده ارائه می کند. همچنین با انجام آزمایش هایی، نشان داده می شود که برنامه نویسی ژنتیک استاندارد، قادر به کاوش موثر فضای جستجو نبوده و لذا نیازمند تغییراتی در نحوه ایجاد جمعیت اولیه و همچنین حفظ گستردگی ساختاری در طول تکامل می باشد. علاوه بر مشکلات ذکر شده، در این پروژه روشی برای بهبود عملکرد برنامه نویسی ژنتیک با استفاده از استراتژی تکامل برای تولید جواب های بهینه ارائه شده و نتایج اعمال آن بر چند سری زمانی بررسی و تحلیل می شود. با وجود استفاده از برنامه نویسی ژنتیک در کاربردهای گوناگون، در این پروژه بیشتر آزمایش ها بر روی سری های زمانی انجام گرفته و نتایج اعمال روش پیشنهادی بر روی این سری ها با مراجع معتبر دیگر مقایسه شده است. مقایسه انجام شده نشان می دهد که روش پیشنهادی در مدل سای داده های آموزشی بسیار بهتر از روش های دیگر عمل می کند.