零基础入门进化算法（基本概念）

由于笔者最近在研究有关于基因表达式编程的课题，对进化算法方面有了更为全面的理解，希望能给大家指点迷津。本文主要基于张克俊博士的毕业论文《基因表达式编程理论及其监督机器学习模型研究》，结合笔者的思考进行描述。

本篇博客是该入门系列的第一篇，后续关于基因表达式编程的详细讲解传送门在此：

• 零基础入门进化算法（基因表达式编程）

  零基础入门进化算法（GEP）

人工智能

人工智能是当前的大热门，而且这浪潮必将持续数年，由此引发新一轮科技革命并不为过，但当前对于人工智能的研究水平，包括世界前沿，还是处于起步的基础研究阶段，距离真正的人工智能远之又远。下面对人工智能的细分类别进行简要介绍：

由图例我们可以看到人工智能下辖计算智能、模式识别以及专家系统等等，这个分类并不全面，而且相互之间交叉很多，在这里仅作示意。

在计算智能的分类中，就是我们较为熟悉的有关于机器学习的框架，不论是神经网络、模糊逻辑，还是概率推理、混沌系统，现如今都离不开机器学习的范畴，当然也包括今天的主角——进化算法。

进化算法

概览

进化算法可详细分为五大类方法：遗传算法、进化策略、进化编程、遗传编程以及基因表达式编程。它们的主要异同点可由下表作一总结：

对于进化算法来说，其主要可比较部分即为基因型、表现型、选择策略以及主要遗传操作，上表可帮助初学者快速建立对于各种进化算法的印象，在之后的深入学习中如鱼得水，更加自如。

遗传算法

遗传算法是进化算法中最早被提出的，在数十年间经过无数经典问题的磨练，是很成熟的一种进化算法，其流程图如下：

进化策略

进化策略采用浮点数进行编码，这是进化策略与早期遗传算法相区别的地方，但是现在遗传算法也可采用浮点数编码，因此进化策略与遗传算法之间的区别界限越发模糊。

进化策略是将遗传算法的选择、交叉、变异过程用一个正态分布随机向量进行完成，其他部分没有差别。

进化编程

与进化策略区别不大，也是将遗传算法的选择、交叉、变异过程采用高斯变异以及随机比较等方式进行计算，其他方面保持一致。

遗传编程

遗传编程与遗传算法的本质区别为非线性编码与线性编码，即遗传编程个体采用了动态的语法分析树状结构。因此可以通过搜索树结构空间来实现程序设计的自动化。其流程图如下：

基因表达式编程

可以看到在进化算法中有一个分支为基因表达式编程，也是本人最为花时间研究的部分，但其篇幅有些多，放到下一篇进阶篇进行详细讲解。