演化策略（
evolution strategies
）和遺傳演算法（
ge***ic algorithms
）最基本的不同在於它們各自的應用領域。演化策略的開發是針對數值優化，它採用一特殊的帶自適應步長大小
和傾角
的爬山過程。最近，演化策略已經用語離散的優化問題。而遺傳演算法是作為（一般目的）自適應搜尋技術形成的，這種搜尋技術按指數增長的比率分配平均值之上的模式。它能用在各種領域，（實）引數優化只是它應用中的個方面。
一、表達個體的方式
演化策略：操作於浮點向量
經典遺傳演算法：操作於二進位制向量。
二、選擇過程本身
在演化策略裡，選擇過程是確定性的：它從u+y
個[(u+y)-es]
或 y
個[(u,y)-es]個體中選擇最好的u
個個體（無重複）。而在遺傳演算法裡，選擇過程是隨機的，從
pop_size
個個體中選擇
pop_size
個個體（有重複），選擇的機會與個體的適應值成比例。一些遺傳演算法實際上使用了分級加權選擇，但較強個體仍可以被選擇幾次。
三、選擇和重組步驟的相對次序
在演化策略裡，乙個後代是兩個親體雜交和進一步交異的結果，u+y
或y個個體組成的中間群體已準備好，選擇過程減少其大小到u
個個體。在遺傳演算法中，次序正好相反。我們首先選擇一些中間群體，然後應用遺傳運算元（雜交和變異）到一些個體上（按照雜交概率選擇）及一些基因上（按照變異概率選擇）。
四、控制引數
在演化過程中，遺傳演算法的再生殖引數保持常數（雜交概率、變異概率），而演化策略始終改變引數（自適應步長和傾角
）：它們和解向量
x一起經歷雜交和變異，因為乙個個體被解釋為這三個引數的
三位一體（x，自適應步長，傾角）。演化策略中控制引數的自適應對應於系統的區域性微調。
五、處理約束
演化策略承擔一組q≥
0個不等式，g1(x)>=0,...,gq(x)>=0
作為優化問題的一部分。在一些迭代過程中，如果乙個後代不滿足所有這些約束，那麼此後代消亡，即不被放到新群體中。如果這樣的非法個體發生率很高，演化策略就調整它們的控制引數，即減少向量
的部分。遺傳演算法處理約束的主要策略是對違反約束的個體加以懲罰。理由是對強約束問題，不能只是消去不合法後代（遺傳演算法不調節它們的控制引數），否則，演算法將長時間
原地不動。
走進細看演化策略的遺傳演算法在過去
20年的發展，人們不得不承認，這些方法之間的鴻溝正變得越來越小。
遺傳演算法與進化演算法
1858年7月1日c.r.達爾文與a.r.華萊士在倫敦林奈學會上宣讀了演化論的 至此進化理論深入人心，為廣大吃瓜群眾開闢了乙個思想的新的天地。而我們的機器學習大師們向來喜歡從生物學家那裡找靈感，神經網路的靈感據說來自於人體的神經元，而根據演化論的思想，我們的大師們提出了遺傳演算法和進化演算法。其實我...
進化演算法 遺傳演算法與粒子群演算法之間的比較
遺傳演算法 ga 作為一種經典的進化演算法，自 holland提出之後在國際上已經形成了乙個比較活躍的研究領域.人們對 ga 進行了大量的研究，提出了各種改進演算法用於提高演算法的收斂速度和精確性.遺傳演算法採用選擇，交叉，變異操作，在問題空間搜尋最優解.經典遺傳演算法首先對引數進行編碼，生成一定數...
進化演算法 遺傳演算法與粒子群演算法之間的比較
遺傳演算法 ga 作為一種經典的進化演算法，自 holland提出之後在國際上已經形成了乙個比較活躍的研究領域.人們對 ga 進行了大量的研究，提出了各種改進演算法用於提高演算法的收斂速度和精確性.遺傳演算法採用選擇，交叉，變異操作，在問題空間搜尋最優解.經典遺傳演算法首先對引數進行編碼，生成一定數...