Evolutionäre Algorithmen (EA) haben als universell anwendbare Verbesserungs- und Optimierungsstrategien seit Beginn der 1990'er Jahre eine weite Verbreitung in allen Bereichen von Wirtschaft und Forschung gefunden. Der große Erfolg liegt dabei u.a. in der Tatsache begründet, daß ihre Anwendung auf einem scheinbar einfachen und leicht nachvollziehbaren Prinzip, dem Darwinschen Evolutionsparadigma, oder etwas zugespitzt ausgedrückt, dem ,,survival of the fittest`` basiert: Durch die Anwendung von Variation und Selektion auf eine Population von Lösungsalternativen werden nach dem Muster der Natur schrittweise bessere Lösungen gefunden und auf diese Weise Optima bestimmt - oder zumindest approximiert.
Bedingt durch die einfachen Grundprinzipien hat sich in den vergangenen Jahren eine Unzahl von Varianten der EA gebildet (Anzahl der jährlichen Veröffentlichungen z.Zt. größer als 1000). War die Frühphase der EA-Geschichte noch durch disjunkte EA-Klassen gekennzeichnet, die Genetischen Algorithmen (GA), die Evolutionsstrategie (ES) und die Evolutionäre Programmierung (EP), so findet man zunehmend eine Vermischung all dieser Ansätze. Aus diesem Grund wurde der Oberbegriff ,,Evolutionäre Algorithmen`` eingeführt. Neben der allgemeinen Verwendung dieses Begriffes sollte dieser immer dann zur Anwendung kommen, wenn die spezielleren, in diesem Papier genauer definierten EA-Varianten nicht zutreffen.