چکیده: در چند سال اخیر معماری‌های غیر متمرکز، توجه‌های زیادی را به خود جلب کرده است. می‌توان حوزه‌های طراحی محتوی وب و یادگیری ماشین را از جمله حوزه‌هایی دانست که این معماری در آن توسعه قابل توجه‌ی داشته است. ماژول فدرال در وب‌پک نسخه 5 ، آسترو و فِرِش از جمله فریمورک‌هایی است که در حوزه طراحی محتوی وب توسعه یافته است. در حوزه یادگیری ماشین، می‌توان به یادگیری فدرال که از آموزش غیر متمرکز استفاده می‌نماید، اشاره کرد. یادگیری فدرال یکی از روش‌های نوظهوری می‌باشد که ضمن حفظ امنیت داده‌ها، با استفاده از منابع کلاینت‌ها در آموزش، به کاهش هزینه‌ها نیز می‌پردازد. تحقیقاتی که با استفاده از این روش در حوزه دسته‌بندی‌گراف از قبیل تشخیص تقلب و یافتن ارتباط صورت گرفت، نمایانگر کارایی این روش می‌باشد. در محیط عملی یک از چالش‌هایی که برای کلاینت‌ها می‌توان مطرح ساخت، تنظیم آن‌ها است. ایزوله بودن و تنوع داده‌ها در کلاینت‌ها از مهمترین موانع برای تنظیم کلاینت‌ها می‌باشد. ما در این تحقیق با به کارگیری الگوریتم ژنتیک سعی در تنظیم خودکار کلاینت‌ها داریم. نتایج بدست آمده از این تحقیق نشان می‌دهد، تنظیم پارامترهای کلاینت‌ها سبب بهبود دقت یادگیری فدرال در سطح کلاینت و سرور شده است. .