Neil Zhu，簡(jiǎn)書(shū)ID Not_GOD，University AI 創(chuàng)始人 & Chief Scientist，致力于推進(jìn)世界人工智能化進(jìn)程。制定并實(shí)施 UAI 中長(zhǎng)期增長(zhǎng)戰(zhàn)略和目標(biāo)，帶領(lǐng)團(tuán)隊(duì)快速成長(zhǎng)為人工智能領(lǐng)域最專業(yè)的力量。
作為行業(yè)領(lǐng)導(dǎo)者，他和UAI一起在2014年創(chuàng)建了TASA（中國(guó)最早的人工智能社團(tuán)）, DL Center（深度學(xué)習(xí)知識(shí)中心全球價(jià)值網(wǎng)絡(luò)），AI growth（行業(yè)智庫(kù)培訓(xùn)）等，為中國(guó)的人工智能人才建設(shè)輸送了大量的血液和養(yǎng)分。此外，他還參與或者舉辦過(guò)各類國(guó)際性的人工智能峰會(huì)和活動(dòng)，產(chǎn)生了巨大的影響力，書(shū)寫了60萬(wàn)字的人工智能精品技術(shù)內(nèi)容，生產(chǎn)翻譯了全球第一本深度學(xué)習(xí)入門書(shū)《神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)》，生產(chǎn)的內(nèi)容被大量的專業(yè)垂直公眾號(hào)和媒體轉(zhuǎn)載與連載。曾經(jīng)受邀為國(guó)內(nèi)頂尖大學(xué)制定人工智能學(xué)習(xí)規(guī)劃和教授人工智能前沿課程，均受學(xué)生和老師好評(píng)。
GAIC 全球人工智能大會(huì)有幸邀請(qǐng)到了荷蘭著名計(jì)算機(jī)科學(xué)家、人工智能領(lǐng)域?qū)＜?Agoston E. Eiben 教授。Eiben 教授常年耕耘在進(jìn)化計(jì)算領(lǐng)域。這是一個(gè)不為大眾熟知的領(lǐng)域，如同此前沉默的深度學(xué)習(xí)（神經(jīng)網(wǎng)絡(luò)），世界上還有一些科學(xué)家在這里靜靜地研究。這也是未來(lái)可能會(huì)產(chǎn)生令人吃驚的成果的領(lǐng)域。因此，我們?cè)谶@次會(huì)議上讓 Eiben 教授來(lái)介紹這個(gè)神秘卻又有趣的進(jìn)化計(jì)算。
本文的標(biāo)題叫做《從進(jìn)化計(jì)算到事物的進(jìn)化》，things 可以等同于前幾年熱門的物聯(lián)網(wǎng)技術(shù)的“物”。稍微了解一些相關(guān)領(lǐng)域的人會(huì)想象到 evolution of things 就是物的進(jìn)化。計(jì)算是一個(gè)抽象的思想模型，當(dāng)計(jì)算設(shè)備足夠小之后，也就會(huì)變得無(wú)處不在，所以計(jì)算就會(huì)下降到各種設(shè)備之上，也就誕生了現(xiàn)在的物聯(lián)網(wǎng)技術(shù)。推至進(jìn)化計(jì)算上，就是說(shuō)我們可以在一些物體上嘗試采用進(jìn)化計(jì)算的技術(shù)，讓其下降到實(shí)際的某個(gè)物體上去進(jìn)行進(jìn)化的計(jì)算從而達(dá)到自身的進(jìn)化。
從計(jì)算機(jī)誕生起，進(jìn)化思想就是算法設(shè)計(jì)思想的一個(gè)啟發(fā)之源。而最終形成的領(lǐng)域，進(jìn)化計(jì)算，也已經(jīng)成功應(yīng)用在解決從細(xì)到分子廣至天文的工程問(wèn)題上了。現(xiàn)在，這個(gè)領(lǐng)域進(jìn)入了一個(gè)新的階段，因?yàn)樵谟布锌梢园l(fā)生的進(jìn)化算法被開(kāi)發(fā)出來(lái)了，打開(kāi)了一條通向可以適應(yīng)環(huán)境的自主機(jī)器的大道。本文將討論進(jìn)化計(jì)算與自然進(jìn)化的對(duì)比，以及這些利處對(duì)其他計(jì)算觀點(diǎn)的關(guān)聯(lián)，同時(shí)引入了在物理系統(tǒng)中的人工進(jìn)化這一初現(xiàn)領(lǐng)域。
進(jìn)化可以用來(lái)作為問(wèn)題解決的靈感之源其實(shí)在計(jì)算機(jī)誕生之時(shí)就有了。在 1970 和 1980 年代，這個(gè)主要的想法被發(fā)展成不同的算法，比如進(jìn)化規(guī)劃（evolutionary programming）、進(jìn)化策略（evolution strategy）和遺傳算法（genetic algorithms），后來(lái)又有了 遺傳規(guī)劃（genetic programming）。這些分支出現(xiàn)于 1990 年代，在過(guò)去的 20 年中統(tǒng)稱為進(jìn)化計(jì)算（evolutionary computation/computing) ，在很多的計(jì)算任務(wù)（比如優(yōu)化、設(shè)計(jì)和建模）中取得了很大的成功。
進(jìn)化計(jì)算的出現(xiàn)可被看成進(jìn)化原理從“濕件 wetware”（生物學(xué)領(lǐng)域）向軟件（計(jì)算機(jī)領(lǐng)域）的巨大轉(zhuǎn)變。如今該領(lǐng)域進(jìn)入了一個(gè)令人激動(dòng)的階段。機(jī)器人和快速原型技術(shù)（3D 打?。?huì)為其第二個(gè)重大轉(zhuǎn)變鋪平道路：從軟件到硬件，從數(shù)字進(jìn)化系統(tǒng)到物理進(jìn)化系統(tǒng)的轉(zhuǎn)變。
本文介紹了進(jìn)化算法的原理，簡(jiǎn)要概述人工進(jìn)化和自然進(jìn)化的差異。我們會(huì)通過(guò)討論一些成功的應(yīng)用來(lái)解釋進(jìn)化式問(wèn)題解決方法的能力，思考為何進(jìn)化算法如此成功，回顧當(dāng)前該領(lǐng)域的發(fā)展趨勢(shì)，最后對(duì)未來(lái)的發(fā)展進(jìn)行展望。
進(jìn)化和問(wèn)題解決
用進(jìn)化思想來(lái)解決問(wèn)題的本質(zhì)是 將可能的解和群中個(gè)體的等同，并引入一個(gè)在解的質(zhì)量基礎(chǔ)上的適應(yīng)值。為了獲得一個(gè)有用的進(jìn)化算法，我們需要進(jìn)行一些設(shè)計(jì)的步驟。第一步，指定一個(gè)表示：合適的數(shù)據(jù)結(jié)構(gòu)可以表達(dá)問(wèn)題可能的解。第二步，定義一種基于特定問(wèn)題的邀請(qǐng)的個(gè)體質(zhì)量的度量方式。最后一步則是指定合適的選擇和變異算子。
進(jìn)化算法原理圖. 初始化過(guò)程用隨機(jī)創(chuàng)建的解群進(jìn)行搜索初始化（seed）。在這個(gè)算法后，就進(jìn)入評(píng)價(jià)這一代解的產(chǎn)生的質(zhì)量的循環(huán)，選擇其中一些作為下一代的解產(chǎn)生的基礎(chǔ)，然后通過(guò)變體（變異或者交叉）。算法會(huì)周期性地檢查用戶指定的終止條件是否滿足——比如說(shuō)達(dá)到一個(gè)指定適應(yīng)度的值，或者進(jìn)行了若干代的進(jìn)化后沒(méi)有性能提升。
類似于自然進(jìn)化，進(jìn)化算法可以被當(dāng)做在兩個(gè)層級(jí)上工作。在高一些的層（原始問(wèn)題上下文環(huán)境），表型（phenotypes）（候選解）會(huì)被進(jìn)行適應(yīng)性評(píng)估。選擇機(jī)制然后使用這個(gè)度量來(lái)給每一代選出一個(gè)雙親池，然后決定哪個(gè)雙親和后代會(huì)出現(xiàn)到下一代。而在低層，基因型是按照一種可能產(chǎn)生變體的形式表示表型的對(duì)象。
基因型-表型映射聯(lián)結(jié)了這兩層。在基因?qū)?，變體算子從選擇出來(lái)的雙親中產(chǎn)生新的個(gè)體（后代）。變異算子基于一個(gè)雙親（無(wú)性繁殖）并隨機(jī)改變某些值。重組算子通過(guò)組合兩個(gè)或者更多的雙親的基因型來(lái)創(chuàng)造后代。最后一個(gè)執(zhí)行管理員控制這個(gè)算法的整體功能。它會(huì)管理第一代群的初始化，選擇-變體過(guò)程和算法的終止。它同樣還管理群的規(guī)模（通常是保持不變）而其他參數(shù)影響選擇和變體。例如，它會(huì)決定每代的雙親數(shù)量，是否變異、重組或者兩者都有來(lái)對(duì)給定的雙親集合產(chǎn)生后代。
進(jìn)化算法可以輕易地從一個(gè)應(yīng)用遷移到另一個(gè)應(yīng)用上，因?yàn)檫@里只有兩個(gè)部分是問(wèn)題相關(guān)的：基因型轉(zhuǎn)化為表型的方式和適應(yīng)性函數(shù)。進(jìn)化計(jì)算的歷史已經(jīng)說(shuō)明了一些簡(jiǎn)單的數(shù)據(jù)結(jié)構(gòu)合適的組合可以表示對(duì)大量不同問(wèn)題的可能的解。換言之，相對(duì)小的可能的基因型可以適應(yīng)于很多不同的表型。就像自然進(jìn)化遵循的遺傳機(jī)制，其實(shí)很大程度上是與物種無(wú)關(guān)的，就是 DNA 或者 RNA 的作用，所以在進(jìn)化計(jì)算中，合適的變體算子的選擇僅僅會(huì)依賴于在基因型中的數(shù)據(jù)結(jié)構(gòu)，而非特定的待解決問(wèn)題。選擇算子甚至不會(huì)依賴于選定的表示，因?yàn)樗麄儍H僅會(huì)考慮適應(yīng)性信息。這意味著，對(duì)特定的問(wèn)題，一個(gè)合適的進(jìn)化算法可以輕易地被設(shè)計(jì)，只要問(wèn)題相關(guān)的表型可以被映射到標(biāo)準(zhǔn)的基因型之上。所以，可方便獲得的進(jìn)化算法的機(jī)器就能應(yīng)用。
值得注意的是，僅僅因?yàn)橐粋€(gè)算法形式上合適，是不夠的，有時(shí)候它不一定能夠成功。合適性只是說(shuō)進(jìn)化算法能夠在可能的解空間中進(jìn)行搜索，但是對(duì)這個(gè)搜索是否有效或者高效卻是沒(méi)有任何的保證。
