第1章　种群、计分和选择

本章要点：

• 种群；
• 精英；
• 计分；
• 选择；
• 选择算法的可伸缩性。

人工智能（Artificial Intelligence，AI）编程通常会求出问题的解。在求解方面，AI编程与传统计算机编程没有太大不同，但在人工智能中，解的发现过程更加抽象和自动化。人工智能中的解通常表示为支持向量机（Support Vector Machine，SVM）、神经网络、随机森林、遗传程序、隐马尔可夫模型等。总之，这些AI技术被称为模型。模型接受输入并产生适当的响应。我们的大脑是终极模型。

我们经常会将许多不同的模型作为一个种群来处理。为了解决问题，许多算法使用了模型的种群。我们在动物界中看到了种群的价值，某些物种通过协作来求生存，如鸟儿群集在一起寻找食物，狼通常成群捕猎。从这个意义上讲，种群可以视为一个群体。种群也可以随着时间的流逝而不断演化，以适应其环境。例如，解的一个小种群可能会找到通过一些城市的最短路径。然而，并非所有种群的使用都是这样渐进的。种群中一些较小的部分可以自己组织起来解决问题。例如，一个程序可能经过许多世代来演化一个公式，从而更好地解释数据。

种群是必要的，但必须有一种方法来为其成员计分。例如，在人类社会中，我们一直在根据大学录取、职位晋升和工作项目来互相评估。在AI中，计分允许程序比较种群中的两个竞争解，以便选择最好的一个。此外，计分在求最终解的许多选择形式中都发挥着作用。

选择是针对特定任务选择种群成员的过程。在自然界中，当非常适合其环境的生物生存、繁殖并延续该物种时，选择过程就发生了，这是自然选择。AI同时使用正面和负面的选择形式，选择得分较高的解，以帮助找到更好的解，而终止得分较差的解，以便为更好的解让路。

本章将讨论种群、计分和选择。你将看到针对每个主题的几种方法。这些概念为第2章奠定了基础，在第2章中，我们将利用选定的解来找到更好的解。