Die Krebsklassifikation stellt eine wichtige Problemstellung in der Krebsdiagnose und -behandlung dar. Eine der effektivsten Methoden bei der Krebsklassifikation ist die Genselektion. Die Auswahl einer Teilmenge von Genen, welche die Klassifikationsgenauigkeit erhöht, ist jedoch ein NP-schweres Problem. In bisherigen Studien wurde eine Vielzahl von Algorithmen zur Genselektion für die Krebsklassifikation vorgeschlagen. In dieser Studie wird zu diesem Zweck ein hybrider metaheuristischer Algorithmus vorgestellt, der eine Integration aus einem genetischen Algorithmus und lernenden Automaten (GALA) darstellt. Die Zeitkomplexität von GALA beträgt O(G.m.n3) und der Algorithmus weist auf einigen bekannten Krebsdatensätzen eine akzeptable Genauigkeit und Leistungsfähigkeit auf. Zur Evaluierung der Performanz von GALA wurden sechs verschiedene Krebsdatensätze ausgewählt, darunter Colon, ALL_AML, SRBCT, MLL, Tumors_9 und Tumors_11. Auf Grundlage des Evaluierungsprozesses erzielte der GALA-Algorithmus auf jedem dieser Datensätze im Vergleich zu einigen kürzlich vorgeschlagenen Algorithmen bemerkenswerte Ergebnisse.