اين دسته بندي بر اساس موارد استفاده بيشتر آنها صورت گرفته
مثلاً ا
لگوریتم تکاملی الگوریتمی است که زیر مجموعه‌ای از محاسبات تکاملی است.
این الگوریتم از مکانیزم‌های مختلفی استفاده می‌کند: تولید، جهش، ترکیب و انتخاب.
راه حل‌های منتخب برای مسایل بهینه‌سازی نقش اجزا را ایفا می‌کنند و تابع هزینه از میان این اجزا و افراد، تصمیم می‌گیرد که چه راه حل‌هایی باقی بمانند. تکامل جمعیت با بکار بردن موارد بالا همچنان ادامه می‌یابد تا به یک جواب بهینه برسد!
الگوریتم ژنتیک هم همانطور که خودتون هم اشاره کرديد تکنیکي جستجویی برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است.
البته الگوریتم ژنتیک نوع خاصی از الگوریتمهای تکامل است که از تکنیک های زیست‌شناسی فرگشتی مانند وراثت و جهش استفاده می‌کند.
در واقع الگوریتمهای ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌کنند.
الگوریتمهای ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. مختصراً گفته می‌شود که الگوریتم ژنتیک یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند.مسئله‌ای که باید حل شود ورودی است و راه‌حلها طبق یک الگو کد گذاری می‌شوند که تابع fitness نام دارد هر راه حل کاندید را ارزیابی می‌کند که اکثر آنها به صورت تصادفی انتخاب می‌شوند. کلاً این الگوریتم‌ها از بخش های زیر تشکیل می‌شوند : تابع برازش - نمایش – انتخاب – تغییر
الگوریتم PSO یا Particle Swarm Optimization که به نام های الگوریتم انبوه ذرات، الگوریتم ازدحام ذرات و الگوریتم پرندگان نیز مشهور است، یکی از الگوریتم های بسیار پر کاربرد در زمینه بهینه سازی استاتیک و دینامیک است. این الگوریتم سرعت همگرایی مناسبی دارد و در اغلب کاربردها، به عنوان گزینه اول مورد استفاده قرار می گیرد. با وجود قدمت 14 ساله این الگوریتم، که در مقایسه با عمر الگوریتم ژنتیک بسیار کمتر است، گرایش به سمت این الگوریتم قدرتمند، هر روز بیشتر و بیشتر می شود. روش PSO یک روش سراسری کمینه‌سازی است که با استفاده از آن می‌توان با مسائلی که جواب آنها یک نقطه یا سطح در فضای n بعدی می‌باشد، برخورد نمود.
بهینه‌سازی گروه مورچه‌ها یا
ACO یک الگوریتم مناسب یافتن راه‌حل‌های تقریبی برای مسائل بهینه‌سازی ترکیبیاتی است. در این روش، مورچه‌های مصنوعی به‌وسیله‌ٔ حرکت بر روی نمودار مساله و با باقی گذاشتن نشانه‌هایی بر روی نمودار، همچون مورچه‌های واقعی که در مسیر حرکت خود نشانه‌های باقی می‌گذارند، باعث می‌شوند که مورچه‌های مصنوعی بعدی بتوانند راه‌حل‌های بهتری را برای مساله فراهم نمایند. همچنین در این روش می‌توان توسط مسائل محاسباتی-عددی بر مبنای علم احتمالات بهترین مسیر را در یک نمودار یافت.