零基础入门进化算法人工智能进化算法综述遗传算法进化策略进化编程基因表达式编程
笔者最近正在研究基因表达式编程的相关课题，希望能对进化算法有更全面的了解，并能给我们一些迷津。 本文主要基于魔幻运动鞋博士毕业论文《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阐述。
本博客是本入门系列的第一篇，后面是关于基因式编程的详细说明。
基础入门进化算法(基因表达式编程) ) ) ) ) ) ) ) ) ) ) ) ) ) )。
基础入门进化算法(GEP ) )。
可以毫不夸张地说，人工智能是当前的热门话题，而且这一波必将持续数年，从而引发新的科技革命。 但目前对人工智能的研究水平，包括世界前沿在内，还处于起步的基础研究阶段，离真正的人工智能还很远。 简单介绍人工智能的细分类别。
观察图例可以发现，在人工智能下管辖计算智能、模式识别及专家系统等。 这种分类并不完全，而且经常相互交叉，在此仅作示意。
在计算智能的分类中，是我们熟悉的关于机器学习的框架，无论是神经网络、模糊逻辑、概率推理还是混沌系统，目前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
进化算法概述进化算法可详细分为五种方法：遗传算法、进化策略、进化编程、遗传编程和基因表达编程。 这些主要差异如下表所示。
对于进化算法来说，其主要可比部分是基因型、表现型、选择策略以及主要遗传操作。 上表有助于初学者快速构建对各种进化算法的印象，使其在后续的深入学习中如鱼得水，更加自由。
遗传算法遗传算法是进化算法中最早提出的，经过几十年无数经典问题的磨练和成熟的进化算法，其流程图如下。
进化策略进化策略采用浮点数编码，这是进化策略区别于初始遗传算法的地方，而如今遗传算法也采用浮点数编码，使得进化策略与遗传算法之间的区分界限越来越模糊。
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，其他部分无差别。
进化编程与进化策略相差不大，通过高斯变异及随机比较等计算遗传算法的选择、交叉、变异过程，在其他方面也取得了一致。
遗传编程遗传编程与遗传算法的本质区别在于非线性编码和线性编码，即遗传编程个体采用动态的句法分析树结构。 因此，通过探索树结构空间可以使编程自动化。 流程图如下。
基因式编程在进化算法中分支为基因式编程，也是本人花费时间研究最多的部分，但篇幅稍多，将在下一篇文章中详细说明。