进化算法（Evolutionary Algorithm，EA） 是一类基于自然界生物进化机制的随机优化算法，属于智能优化算法的重要分支。它通过 “选择—重组—变异” 等操作，模拟自然进化过程，用来寻找复杂问题的最优或近优解。
- 遗传算法（GA）
- 进化策略（ES）
- 进化规划（EP）
- 遗传规划（GP）
| 算法 | 主要优化对象 | 代表特征 |
|---|
| GA（遗传算法） | 通用优化问题 | 二进制编码 + 交叉为主 |
| ES（进化策略） | 连续优化问题 | 实数编码 + 高斯变异 + 自适应步长 |
| EP（进化规划） | 状态机与连续优化 | 无交叉 + 自适应变异 + 竞争选择 |
| GP（遗传规划） | 程序/表达式结构 | 树结构编码 + 子树交叉 + 自动生成程序 |
| 特征 | GA | ES | EP | GP |
|---|
| 编码方式 | 二进制/实数向量 | 实数向量 | 实数向量 | 树结构（表达式） |
| 适用问题 | 离散/组合优化 | 连续优化 | 连续优化/噪声优化 | 程序、表达式生成 |
| 种群规模 | 中 | 小-中 | 小 | 中 |
| 主要算子 | 交叉 + 变异 | 变异（高斯噪声） | 变异（高斯噪声） | 子树交叉 + 变异 |
| 交叉操作 | 关键操作 | 可选 | 无 | 树级交叉（核心） |
| 变异操作 | 位翻转 / 实数扰动 | 高斯扰动（含自适应） | 高斯扰动（含自适应） | 子树替换 |
| 选择策略 | 轮盘赌 / 锦标赛 | (μ, λ) 或 (μ+λ) | 随机竞争 | 轮盘赌 / 精英保留 |
| 参数自适应 | 弱（人工设定） | 强（全局 + 局部） | 强（个体自适应） | 无固定参数，可自动学习结构 |
| 编码层级 | 基因层 | 参数层 | 个体层 | 结构层 |
| 特征 | GA | ES | EP | GP |
|---|
| 编码方式 | 二进制/实数向量 | 实数向量 | 实数向量 | 树结构（表达式） |
| 适用问题 | 离散/组合优化 | 连续优化 | 连续优化/噪声优化 | 程序、表达式生成 |
| 种群规模 | 中 | 小-中 | 小 | 中 |
| 主要算子 | 交叉 + 变异 | 变异（高斯噪声） | 变异（高斯噪声） | 子树交叉 + 变异 |
| 交叉操作 | 关键操作 | 可选 | 无 | 树级交叉（核心） |
| 变异操作 | 位翻转 / 实数扰动 | 高斯扰动（含自适应） | 高斯扰动（含自适应） | 子树替换 |
| 选择策略 | 轮盘赌 / 锦标赛 | (μ, λ) 或 (μ+λ) | 随机竞争 | 轮盘赌 / 精英保留 |
| 参数自适应 | 弱（人工设定） | 强（全局 + 局部） | 强（个体自适应） | 无固定参数，可自动学习结构 |
| 编码层级 | 基因层 | 参数层 | 个体层 | 结构层 |
