遗传编程目前是否能够将一种搜索算法演变成另一种？例如，是否有任何实验曾经从 QuickSort 培育/变异 BubbleSort（参见 http://en.wikipedia.org/wiki/Sorting_algorithm）
【问题讨论】：
标签： algorithm sorting genetic-programming
您可能想看看 80 年代 W. Daniel Hillis 的作品。他花了很多时间通过基因编程创建分类网络。虽然他对解决对恒定数量对象进行排序的问题更感兴趣（近十年来，16 对象排序网络一直是一个主要的学术问题），但如果您是对遗传排序算法非常感兴趣。
在对任意长度列表进行排序的算法的演化过程中，您可能还想熟悉协同演化的概念。我已经建立了一个协同进化系统，之前的重点是让一个遗传算法进化排序算法，而另一个 GA 开发未排序的数字列表。排序器的适应度是它的准确度（如果它是 100% 准确，则加上较少比较的奖励），列表生成器的适应度是排序算法在对其列表进行排序时出错的次数。
要回答您关于气泡是否曾经从快速进化而来的具体问题，我不得不说我会严重怀疑它，除非程序员的适应度函数既非常具体又不明智。是的，气泡很简单，所以也许一个适应度函数是准确性加程序大小的 GP 最终会找到气泡。但是，当适应度函数是后者决定运行时间时，程序员为什么要选择大小而不是比较次数作为适应度函数？
通过询问 GP 是否可以将一种算法演变成另一种算法，我想知道您是否完全清楚 GP 是什么。理想情况下，每条独特的染色体定义一个独特的排序。 200 条染色体的种群代表 200 种不同的算法。是的，quick 和 bubble 可能存在于某个地方，但其他 198 个可能未命名的方法也是如此。
【讨论】：
GP 没有理由不能进化，例如任一类型的算法。我不确定考虑将一个“演变成”另一个是否真的有意义。 GP 将简单地进化出一个越来越接近您定义的适应度函数的程序。
如果您的适应度函数只关注排序的正确性（并假设您有合适的构建块供您的 GP 使用），那么它很可能会同时改进 BubbleSort 和 QuickSort。如果您还将效率作为适合度的衡量标准，那么这可能会影响将其中哪些确定为更好的解决方案。
你可以给 GP 播种，例如QuickSort，如果你有一个合适的适应度函数，它最终肯定会想出 BubbleSort - 但它也可以想出比 QuickSort 更合适的任何东西。
现在 GP 引擎需要多长时间来进行这种演变是另一个问题......
【讨论】：
我不知道，您在示例中建议的特定方向似乎不太可能；这将需要一种反常的适应度函数，因为在大多数情况下，冒泡排序比快速排序更差。发生这种情况并非不可想象，但一般来说，一旦你有了一个很好理解的算法，它就已经很合适了——换一个可能需要经过一些更糟糕的选择。
对于大多数搜索策略来说，陷入局部最小值并不是一个未知的问题。
【讨论】：