GA的产生与发展

• 20世纪50年代和60年代，进化的思想->"人工进化系统"——雏形

• 60年代初期，柏林工业大学 I.Rechenberg和H.P.Schwefel-风洞试验-生物变异的思想来随机改变参数值->分支-进化策略（ES Evolutionary Strategy）

ES & GA 融合之势

• 60年代L.J.Fogel-进化的思想设计FSM（Finite State Machine）——进化规划（EP Evolutionary Programming）->推广（数据诊断、模式识别和分类及控制系统）->ES推进EP的发展，并用于数值优化/神经网络的训练

• 通用的编码方案少，只能依赖变异而非交叉，算法收敛甚微

60年代中期，John Holland->位串编码->自然和人工系统的自适应行为（Adaptation in natural and artificial systems）->推广（优化及机器学习）-》遗传算法正式命名
Holland认为：GA本质是适应算法，应用最多的是系统最优化
早期-认知系统CS1(Cognitive System 1 借助最优化的方法获取学习规划、遗传算法）->GBML(Genetic-based Machine Learning)为GA思想奠定基础
其学生De Jong-GA适用于最优化问题
Grefenstette-GA软件GENESIS并普及推广

• 1989，Goldberg美国伊利诺大学， “Genetic Algorithms in Search, Optimization and Machine Learning”，影响力最大的专著

• 1992，Michalewicz，“Genetic Algorithms + Data Structures = Evolution Programs”->最优化问题

• 70年代以来，代表性博士论文

A.D.Bethke，“作为函数优化器的遗传算法”（密歇根大学，1980）
De Jong “一类遗传自适应系统的行为分析”（密歇根大学，1975）
T.E.Davis “从模拟退火收敛理论向简单算法的外推”（佛罗里达大学，1991）

• 近年来，不同的遗传基因表达方式，交叉和变异算子，特殊算子的引用，不同的再生和选择（灵感均源于生物进化）-算法簇（EC evolutionary Computation）

四大分支-GA、EP、ES、GP

• GA->AI，进化计算时人工智能的未来

• EC & 人工神经网络 & 模糊系统理论-新的方向（computational intelligence 计算智能）

AI:传统符号主义->连接主义（神经网络）、进化主义（进化计算）

• 20世纪80年代中期，GA、EC的蓬勃期

• 进化计算的实现行为（emergent behavior）->进化计算、混沌理论、分形几何（非线性现象 & 复杂系统的新的三大方向）->& 神经网络（认知过程）

• 90年代以后，De Jong “重访基本的假设

表示和形态发生学/拉马克算子等的引入/非随机配对和物种形成/分散的/高度并行的模型/自适应系统/共同进化系统”

• 我国，90年代以来（1997-1999)

• 特点：

智能性（自组织、自适应、自学习性）-非结构化问题
并行性（本质）
目标函数
概率转换规则
潜在解

• 学会：ISGA intermational society of genetic algorithms

EPS evolutionary programming society
PPSN parallel problem solving from nature
GECCO genetic and evolutionary computation conference
CEC