进化计算：达尔文进化算法、遗传算法及进化策略

进化计算（Evolutionary Computation）是研究利用自然进化和适应思想的计算系统。达尔文进化论是一种稳健的搜索和优化机制，对计算机科学，特别是对人工智能的发展产生了很大的影响。大多数生物体是通过自然选择和有性生殖进行进化。自然选择决定了群体中哪些个体能够生存和繁殖，有性生殖保证了后代基因中的混合和重组。自然选择的法则是适应者生存，不适应者被淘汰，简言之为优胜劣汰。

自然进化的这些特征早在20世纪60年代就引起了美国密西根大学霍兰德（Holland J）的极大兴趣。霍兰德注意到学习不仅可以通过单个生物体的适应实现，而且可以通过一个种群的许多代的进化适应发生。受达尔文进化论思想的影响，他逐渐认识到在机器学习中，为获得一个好的学习算法，仅靠单个策略的建立和改进不够，还要依赖于一个包含许多候选策略的群体的繁殖。考虑到他们的研究想法起源于遗传进化，霍兰德就将这个研究领域取名为遗传算法（Genetic Algorithm，GA）。一直到1975年霍兰德出版了专著Adaptation in Natural and Articial Systems，遗传算法才逐渐为人所知。该书系统地论述了遗传算法的基本理论，为遗传算法的发展奠定了基础。(www.xing528.com)

进化算法中，从一组随机生成的个体出发，仿效生物的遗传方式，主要采用复制（选择）、交叉（杂交/重组）、突变（变异）等操作，衍生出下一代个体。再根据适应度的大小进行个体的优胜劣汰，提高新一代群体的质量。经过反复多次迭代，逐步逼近最优解。从数学角度讲，进化算法实质上是一种搜索寻优的方法。进化计算包括达尔文进化算法、遗传算法、进化策略（Evolutionary Strategies）以及进化规划（Evolutionary Programming ） 。