遗传算法

当进化与选择的朴素观念在当代的前沿领域生根发芽，事情逐渐变得有趣起来。

Fitness calculation →Reproduction→Mutation→Fitness calculation
达尔文的进化论讲的是什么？在一个自然存在的生物种群中，生物生存的自然环境会对生物进行选择，在选择上存下来的个体有更大的机会去将自己的基因传递给下一代，传递过程中会发生基因的变异（mulate）和杂交（crossover）来保证基因在传递过程中的多样性和稳定性。

人们在进化论的启发下，设计出一种进化算法（Evolutionary Algorithms）。

通过对原始问题进行编码，首先初始化一个合适的可行方案集，然后通过建立适当的评估函数对所有的评估方案进行评估，虽然可能所有的评估方案距离期望达到的效果都比较差，但是可以在这这里边选择相对比较好的方案赋予他们在杂交过程中更大的优势，让那些效果比较好的可行方案有更大的概率进行杂交，同时在杂交的过程中进行一定程度的变异，对最终产生的结果进行新一轮的评价。

Genetic Algorithms.一般来说，只要我们建立合适的fitness function，我们可以用GA来解决我们遇到的许多问题问题（Metaheuristics），如常见的优化类问题和搜索类问题。

除了遗传算法之外，进化算法中另外的一个重要算法是Genetic Programing。将编程重新交给计算机，让计算机更加智能。

随着遗传算法的不断扩展，我们对进化论应用的领域也越来越宽广。现在的我们可以用遗传算法来进行芯片的设计、进行车子的设计，还可以教我们的计算机画画！


当机器人学会了自我学习与自我更新，那么机器人和人类一起工作就指日可待了。