Como un famoso algoritmo metaheurístico basado en poblaciones, un algoritmo genético puede ser utilizado para superar complejidades de optimización. Un algoritmo genético adopta reglas de transición probabilísticas y es adecuado para el paralelismo, lo que hace a este algoritmo atractivo en muchas áreas, incluyendo el sector logístico y de la cadena de suministro. Para obtener una comprensión integral del desarrollo en esta área, este documento presenta un análisis bibliométrico sobre la aplicación de un algoritmo genético en logística y cadenas de suministro utilizando datos desde 1991 hasta 2024 de la base de datos Web of Science. Los autores encontraron una tendencia creciente en el número de publicaciones y citas a lo largo de los años. Este documento sirve como una referencia importante para investigadores al resaltar áreas de investigación importantes, como la optimización multiobjetivo, metaheurísticas, problemas de sostenibilidad en logística e integración de aprendizaje automático. Este análisis bibliométrico también subraya la importancia del Algoritmo Genético de Ordenamiento No Dominado II (NSGA-II), sostenibilidad, aprendizaje automático y búsqueda de vecindario variable en la aplicación de un algoritmo genético en logística y cadenas de suministro en un futuro cercano. La integración de un algoritmo genético con aprendizaje automático también es una posible brecha de investigación a llenar para superar las limitaciones de los algoritmos genéticos, como el largo tiempo computacional, dificultades para obtener soluciones óptimas y problemas de convergencia para su aplicación en logística y cadenas de suministro.