# 🧩 Summary 进化算法（Evolutionary Algorithms, EA）是一个总称；[[遗传算法]]（Genetic Algorithm, GA）是其中最早、最典型的一种具体实现。 # 💡 Cues # Notes ## 🧠 一、进化算法（EA）的家族结构 进化算法是一大类**模仿生物进化原理**的优化算法家族，其核心思想是： > 用“种群演化”的方式搜索复杂问题的最优解。 它包含多个分支（可以理解为不同“物种”）： |分类|英文名|主要灵感来源|典型应用| |---|---|---|---| |**遗传算法**|Genetic Algorithm（GA）|遗传与自然选择|路径规划、特征选择、参数优化| |**进化策略**|Evolution Strategy（ES）|自适应变异与自然选择|连续参数优化、控制系统调参| |**遗传编程**|Genetic Programming（GP）|程序结构进化|自动生成算法或公式| |**差分进化算法**|Differential Evolution（DE）|向量差分变异|连续函数优化| |**协方差矩阵自适应进化策略**|CMA-ES|多维高斯采样 + 统计学习|高维黑盒优化| > 所以遗传算法（GA）只是 EA 家族中的“长子”，后来衍生出 ES、DE、GP 等更针对特定任务的“进化分支”。 --- ## 🧬 二、关系可以这样理解 |层级|对应比喻|内容| |---|---|---| |**进化算法 EA**|🌍 生物界（所有生物演化原理）|一类算法思想| |**遗传算法 GA**|🧑‍🤝‍🧑 人类演化模型|进化算法的一个具体实现| |**进化策略 ES**|🦋 昆虫的自适应演化|针对连续空间的改进版本| |**遗传编程 GP**|🧠 进化出“程序结构”|自动生成表达式或代码| |**差分进化 DE**|🦅 向量差分迁移|用于复杂连续优化| --- ## 🔬 三、两者的异同点总结 |对比维度|进化算法 EA|遗传算法 GA| |---|---|---| |定义|模拟生物进化的算法总称|EA 中最经典、最早提出的算法| |灵感来源|生物种群进化、自然选择|遗传学（染色体、基因、交叉、变异）| |编码方式|多样化（实数、二进制、树结构等）|通常使用二进制编码| |操作机制|一般包括选择、变异、交叉|明确包含选择、交叉、变异三大算子| |应用范围|更广，包括连续优化、程序生成|更常见于组合优化（路径、调度）| --- ## 🚗 四、在行程规划中的角色划分 |问题|使用算法|说明| |---|---|---| |景点顺序最优|**遗传算法（GA）**|把行程看作染色体，通过交叉和变异生成更优路线| |连续参数优化（如出发时间、停留时长）|**进化策略（ES）/差分进化（DE）**|处理连续时间、成本函数优化| |自动生成“路线规划代码”或“推荐逻辑”|**遗传编程（GP）**|在算法层面生成可执行规则| --- ## 🧭 小结一句话 > ✅ **进化算法（EA）是理论框架** > ✅ **遗传算法（GA）是它的代表性成员** > ✅ **行程规划问题中常用的是 GA，也可以扩展用 ES、DE 处理更复杂约束** --- 是否希望我帮你画一张「进化算法家族树 🌳」图，展示 EA → GA / ES / GP / DE 的分支结构？可用于笔记或演讲稿。