Mutasi merupakan perubahan karakteristik karena perlakuan dari luar tubuh atau faktor eksternal yang mengubah gen. Pada umumnya, mutasi gen diidentikkan dengan sesuatu yang negatif dan tidak diharapkan. Sebaliknya, pada algoritma genetika, mutasi gen justru merupakan sesuatu yang peting dilakukan.

Dalam algoritma genetika, mutasi gen berfungsi untuk menjaga variasi populasi generasi baru agar tetap mewarisi karakteristik induk, memunculkan gen yang terlupakan akibat proses seleksi, atau menjaga populasi agar sesuai dengan domain solusi. Untuk itu, perlu pula ditentukan peluang mutasi sebagai presentasi jumlah total gen yang mengalami mutasi dalam sebuah populasi.

Mutasi yang terjadi dalam sebuah populasi tidak boleh terlalu besar. Pasalnya, mutasi yang terlalu banyak justru dapat menghilangkan kemiripan anak dengan induknya. Selain itu, algoritma juga dapat kehilangan kemampuan belajar dari histori pencarian. Sebaliknya, peluang mutasi pun tidak boleh terlalu kecil. Jika peluang mutasi terlalu kecil, banyak gen – yang mungkin berguna – tidak pernah terevaluasi.

Untuk jumlah populasi sebesar m, sebagian ahli menyarankan nilai 1/m sebagai peluang mutasi yang terbaik. Ada pula yang berpendapat bahwa laju mutasi tidak tergantung dari besar populasi. Kromosom hasil mutasi harus diperiksa, apakah masih berada dalam domain solusi atau tidak. Jika hasil mutasi berada di luar domain solusi, maka perlu diadakan perbaikan gen.

Sampai saat ini, dikenal dua jenis mutasi yang dapat diterapkan dalam algoritma genetika, yaitu mutasi bilangan real dan mutasi biner. Pada mutasi bilangan real, masalah penentuan ukuran langkah mutasi merupakan problematika yang masih sulit diselesaikan. Ukuran langkah mutasi yang kecil biasanya lebih berhasil. Walaupun demikian, ukuran yang besar bisa saja berjalan lebih cepat.

Adapun, mutasi biner merupakan cara yang lebih sederhana untuk melakukan mutasi. Anda tinggal mengganti satu atau beberapa nilai gen dari kromosom. Pertama kali, hitunglah banyaknya gen dalam sebuah populasi. Selanjutnya, tentukan peluang mutasi yang akan Anda terapkan. Lalu, pilih secara acak gen yang akan dimutasi. Tentukan pula kromosom yang akan dimutasi. Gantilah nilai gen dari kromosom yang akan dimutasi. Pilih gen selanjutnya untuk dimutasi, dan seterusnya sesuai dengan peluang mutasi yang diterapkan.

Demikianlah, tuntas sudah pembahasan pembentukan generasi baru dalam algoritma genetika. Dimulai dari teknik penyandian, proses evaluasi, seleksi orang tua untuk membentuk generasi baru, proses persilangan, dan juga mutasi. Diharapkan, generasi baru yang terbentuk merupakan individu-individu unggul yang dapat menjadi solusi atas permasalahan yang ada, termasuk untuk sistem industri.