Genetisches Programmieren (GP) ist eine Methode aus dem Bereich des maschinellen Lernens und der künstlichen Intelligenz, die von den Prinzipien der biologischen Evolution inspiriert ist. Anders als herkömmliche Algorithmen, die in der Regel deterministisch arbeiten, nutzt genetisches Programmieren einen evolutiven Ansatz, um Lösungen für komplexe Probleme zu finden. Dieser Ansatz ist besonders nützlich, wenn die Probleme viele mögliche Lösungen haben oder die Beziehungen zwischen den Variablen nicht linear sind.
Das Verfahren ähnelt anderen evolutionären Algorithmen, wie z.B. genetischen Algorithmen, aber mit einem wesentlichen Unterschied: Während genetische Algorithmen in der Regel auf eine Repräsentation von Lösungen in Form von Binärcodes oder anderen strukturierten Datenformaten setzen, arbeitet genetisches Programmieren mit Programmen als Lösungsrepräsentation. Diese Programme können beispielsweise in Form von Bäumen, linearen Strukturen oder anderen geeigneten Darstellungen vorliegen.
Der Ablauf eines genetischen Programmierverfahrens ist wie folgt: Zunächst wird eine Startpopulation von zufällig generierten Programmen erstellt. Jedes Programm wird dann auf seine Eignung (Fitness) hin bewertet, indem es auf das zu lösende Problem angewendet wird. Programme, die bessere Ergebnisse liefern, haben eine höhere Fitness und werden mit größerer Wahrscheinlichkeit ausgewählt, um an der nächsten Generation teilzunehmen. Die Selektion wird in der Regel durch Turniere oder andere Auswahlmethoden durchgeführt.
Anschließend werden die ausgewählten Programme miteinander kombiniert (Crossover) und/oder modifiziert (Mutation), um eine neue Generation von Programmen zu erstellen. Der Prozess der Selektion, Kombination und Mutation wird wiederholt, bis ein vordefiniertes Kriterium erreicht ist, wie z.B. eine maximale Anzahl von Generationen oder ein bestimmter Fitnesswert.
Ein Vorteil des genetischen Programmierens ist seine Fähigkeit, auch bei unvollständiger oder ungenauer Problemdefinition innovative Lösungen zu finden. Es eignet sich besonders gut für Probleme, die dynamisch, mehrkriteriell oder nur unvollkommen definiert sind. In der Praxis wird genetisches Programmieren unter anderem in der Finanzanalyse, der Prognose, der Regelungstechnik und der Entwicklung von Expertensystemen eingesetzt.