الگوریتم های ژنتیک کلاسیک در یافتن نواحی جواب با سرعت خوبی عمل می کنند اما در به دست آوردن جواب با دقت مورد نظر زمان زیادی را صرف می کنند. این نقص را می توان تا حدودی با بکارگیری دانش موجود از مساله و یا اضافه کردن فاز جستجوی محلی به چرخه ی تکاملی بهبود بخشید. محققان با الهام گرفتن از ایده ی »مم« که توسط ریچارد داوکینز مطرح شد، الگوریتم هایی پیشنهاد کرده اند که مم ها به عنوان جستجوگرهای محلی بهبود هایی جواب های بدست آمده را بهبود می دهند تا فرآیند جستجو سریع تر و کاراتر شود.به این گونه روش ها الگوریتم های ممتیک یا دورگه گفته می شود. این الگوریتم ها از نظر تطبیق پذیری به ۳ دسته ی ایستا، تطبیقی و خود تطبیقی تقسیم می شوند.  در دوسته ی اول مم ها در فرآیند جستجو تغییر نمی کنند و فقط انتخاب بهترین مم مطرح است ولی در دسته ی سوم مم ها در جمعیتی جداگانه تکامل پیدا کرده و به صورت تکاملی با مساله تطبیق پیدا می کنند.

این الگوریتم ها کاربرد های زیادی در مسائل طراحی دارند و کارایی بسیار خوبی در این زمینه نشان داده اند. همچنین در حوزه ی بیوانفورماتیک و مسائلی چون پیش بینی ساختار پروتئین ها به کار گرفته می شوند.