A növekvő energiaárak és a dekarbonizációs követelmények korában az ipari hűtőházak energiamenedzsmentje kiemelt jelentőségűvé vált. Az ilyen rendszerek működése jelentős villamosenergia-felhasználással jár, amelyet a hűtési igény, a környezeti feltételek, a változó energiaárak és a helyben termelt megújuló energia – például napelemek – teljesítménye dinamikusan befolyásol. A hatékony üzemeltetés előretekintő optimalizálást igényel. Dolgozatunkban egy genetikus algoritmuson (GA) alapuló megoldást mutatunk be, amely előrejelzések felhasználásával az adott időhorizont egészére kiterjedő globális optimalizálást végez. Az algoritmus előnye, hogy nem igényel explicit, nagy pontosságú rendszermodellt, mivel a költségfüggvény értékelése közvetlenül szimuláció vagy mérési adatok alapján történik. Az algoritmus teljesítményét Model Predictive Control (MPC) és Mixed-Integer Linear Programming (MILP) alapú state-of-the-art ipari standardokkal vetettük össze. Az MPC esetében a predikciós horizonton MILP-optimalizálást használtunk. Az optimalizált megoldásokat a valós energiaár és napelemes termelési adatokon értékeltük. Kísérleti eredményeink szerint a GA ~19,5%-kal alacsonyabb költséget ért el az MPC-hez képest, és ~3,2%-kal alacsonyabbat a MILP-hez viszonyítva. A havi költség szintjén ez ~92 ezer Ft megtakarítást jelentett az MPC, és ~12 ezer Ft-ot a MILP esetében. Az algoritmusok azonos hardverkörülmények között futottak, azonban a GA párhuzamosítás nélkül, a MILP és MPC pedig 8 szálon. Ennek ellenére a GA 6–8-szoros számítási sebességet mutatott. Eredményeink hozzájárulnak az ipari energiamenedzsment prediktív és evolúciós megközelítéseinek integrálásához, és utat nyitnak az önoptimalizáló, előretekintő hűtőházi vezérlőrendszerek fejlesztése felé.