برنامه ریزی ژنتیک که جزو روشهای الگوریتم گردشی محسوب می شود. مبنای تمامی ایـن روش ها بر اساس نظریه تکاملی داروین استوار است. الگوریتم های یاد شده اقدام به تعریف یک تابع هدف در قالب معیارهای کیفی نمـوده و سپس تابع هدف را برای اندازه گیری و مقایسه روشهای مختلف حل کرده و در یک فرایند گام به گام تصحیح ساختار داده ها به کار گرفتـه و در نهایت، روش حل مناسب را ارائه می نمایند. برنامه ریزی ژنتیک از روش های جدید بین روش های الگوریتم گردشی می باشد که بـه دلیـل دارا بودن دقت کافی، به عنوان یک روش  کاربردی  مطرح  می  شـود. از  برنامه  ریزی  ژنتیک به  طور وسیعی  در  کاربرد  هوش  مـصنوعی  در  حـل مسائل  مهندسی استفاده  شده است.

از برنامه ریزی ژنتیک به طور موفقیت امیزی می توان در شرایط زیـر بهـره جـست:
-هرگاه تشخیص ارتباط داخلی میان متغیرهای وابـسته بـسیار پیچیـده باشد
- یافتن اندازه و یا شکل متغیر نهایی بسیار پیچیده است
- حل تحلیلی مسئله به روش های ریاضـی متـداول غیـر ممکـن و یـا بـسیار پیچیده بوده ولی حصول جواب های تقریبی کفایت می کند
- اصلاحات جزئـی و متـداول اجرایـی بـر روی نتـایج بـه راحتـی قابـل لحـاظ و اندازه گیری می باشد
- حجم بالای داده های ورودی نیازمند به ازمون و طبقـه بنـدی (ماننـد زنجیـره DNA در مباحـث زیـست مولکـولی، داده های ماهواره ای و یـا داده هـای مربـوط بـه امـور مـالی و بـانکی
برنامه ریزي ژنتيک شامل یک معادله ارتباط دهنـده بـین متغیـرهـای ورودی و خروجی بوده، لذا قادر به انتخاب خودکار متغیرهـای مناسـب الگو و حذف متغیرهای غیر مرتبط است که این امر سبب کاهش ابعاد متغیرهای ورودی خواهد شد. انتخاب ورودی هـای مناسـب، یکـی از مهمترین مواردی است که بایستی در این روش مورد توجه قرار گیرد. این  امر در شرایطی که از داده های ورودی مختلفی بهره برده می شود، از اهمیت مضاعفی برخوردار خواهد شد. چرا که ارائه داده های ورودی غیر مرتبط، سبب کاهش دقت الگو و ایجـاد الگـوهـای پیچیـده تـری می شود که تفسیر انهـا بـا دشـواریهـای بیـشتری مواجـه است. در کاربردهـای مهندسـی، ازبرنامه ریزي ژنتيک بـه طور وسـیعی در الگوسازی مسائل مربوط به تعیین ساختار پدیده ها استـفاده می شود.