进化计算（Evolutionary Computation， EC）

传统优化方法利用确定性的规则（如，求导）进行优秀解的搜寻，容易达到局部最优；而EC算法利用一个分布在解空间各处的点群（其中，每个点都是原问题的一个候选解）进行搜索，每一代都会产生新的点，这些不同的点的搜索可以搜寻更大的空间，降低了陷入局部最优的可能性，交叉、变异这些遗传操作有效提升了并行搜索能力，使得搜索点可以直接从一个高维空间区域跳转到另一个区域。事实上，EC使用的是基于概率的转换规则而并非完全随机的转换规则，例如，复制、选择操作通常选择的是群体中适应度值高的个体。对于问题参数的编码，经常是将其编码为固定长度的二进制串，串长度决定着参数变化的范围和需求的解精度。

EC和传统搜索方法和优化方法的不同之处主要在于：

1. EC在潜在解的点群中进行搜索；
2. EC使用直接的**“适应度”信息**来替代传统方法中的导数或其他相关信息；
3. EC使用随机性而并非确定性的转换规则；
4. EC对问题参数进行编码，而不是直接使用参数本身等。

EC的主要步骤

1.种群初始化；
2.计算种群中每个个体的适应度值；
3.选择个体进行复制产生下一代种群；
4.执行进化操作（如交叉、变异等）；
5.跳转到第 2 步直到达到终止条件。

EC的主要组成

遗传算法（Genetic Algorithms，GA）

进化规划（Evolutionary Programming，EP）

进化策略（Evolution Strategies，ES）

遗传规划（Genetic Programming，GP）