Neil Zhu，簡書ID Not_GOD，University AI 創始人 & Chief Scientist，致力于推進世界人工智能化進程。制定并實施 UAI 中長期增長戰略和目標，帶領團隊快速成長為人工智能領域最專業的力量。
作為行業領導者，他和UAI一起在2014年創建了TASA（中國最早的人工智能社團）, DL Center（深度學習知識中心全球價值網絡），AI growth（行業智庫培訓）等，為中國的人工智能人才建設輸送了大量的血液和養分。此外，他還參與或者舉辦過各類國際性的人工智能峰會和活動，產生了巨大的影響力，書寫了60萬字的人工智能精品技術內容，生產翻譯了全球第一本深度學習入門書《神經網絡與深度學習》，生產的內容被大量的專業垂直公眾號和媒體轉載與連載。曾經受邀為國內頂尖大學制定人工智能學習規劃和教授人工智能前沿課程，均受學生和老師好評。
GAIC 全球人工智能大會有幸邀請到了荷蘭著名計算機科學家、人工智能領域專家 Agoston E. Eiben 教授。Eiben 教授常年耕耘在進化計算領域。這是一個不為大眾熟知的領域，如同此前沉默的深度學習（神經網絡），世界上還有一些科學家在這里靜靜地研究。這也是未來可能會產生令人吃驚的成果的領域。因此，我們在這次會議上讓 Eiben 教授來介紹這個神秘卻又有趣的進化計算。
進化計算的地位
從歷史的角度看，人類在進化中扮演著兩個角色。和其他任何物種一樣，人類是進化的產物，受到進化的影響。但是幾千年來人類已經是顯著地在影響其他物種進化的——通過選擇哪些植物或者動物可以存活或者繁衍。因此即使在這個進程的代與代之間變遷的機制還沒有真正理解的情況下，人類就已經成功地利用了進化來創造改進的食物源或者更加有用的動物了。
人類在進化中影響范圍其實還很受限，僅僅是在生存和繁衍的選擇干預上。而對其他部分的影響，如基因型的設計或者突變和重組機制，我們人類所知甚少。而這種情況在計算機發明之后發生了變化，計算機可以創造數字世界，這個世界更加靈活卻又比物理現實更好控制。隨著進化背后的基因機制理解逐漸加深，我們有了成為完全設計好的由人類實驗者“像神一樣”來執行進化過程的管理者機會。
有觀點表示進化算法并不是遵循自然進化的模型。但是他們肯定是進化的一種形式。如 Dennett 所說“如果你有變異、遺傳和選擇，那么你肯定會進化”。
從計算機科學的角度，進化算法是基于生成-測試原則的隨機啟發式搜索方法：產生一個后代數量來生成在搜索空間的新的點，然后通過適合性評估來做測試。將進化算法和計算機科學中的其他算法區分開的地方就是其獨特地用候選解的群的形式把隨機性和維護工作記憶組合起來。需要注意的是，有很多有著不同名稱的通用的進化計算模板：遺傳算法、進化策略、進化規劃和遺傳規劃；以及更年輕的分支，如微分進化和粒子群優化。這些算法在一些具體的細節上存在差異，術語或者出發的動機不同，實際上，這些算法本質都是同一個算法模板。
通常我們會將算法根據完備性（是否能夠產生每個可能的解）、最優性（是否保證能夠找到最優解并識別出來）和有效性。進化算法的完備性可以通過表示和變異算子的合適選擇來達到。最優性是更加復雜的問題。盡管對很多問題存在最優方法，但在大多數非平凡的場景下這些方法的擴展性會變得很差——所以也導致了人們對啟發式算法的興趣。只有遺傳原理成立（類似的個體有著類似的適合性），進化算法將會有一種“基本直覺”在一定的時間內提升群的適合性——因為選擇算子偏向于選擇更加適合的個體進行繁殖和存活。因此，如果我們可以定義人工適合性在待解決的問題的評判之上的話，那么進化算法將會去尋找優化適合性值，或者至少近似這些值。這意味著，進化算法可以被用來解決優化問題，因此，任何可以轉化為等價優化任務的問題也都可以用進化算法求解。這樣其實包含了大多數在設計和從數據中構建或者學習的問題。另外，需要理解的是，進化算法并不是優化器，但是是近似器，因為我們可能不知道最優進化出來的解的適合性就是最高可能值。但是，當近似解是可接受的時（比如說全局最優不知道或者不要求的情況），這些方法會變得很有價值。
