编辑|杪夏的光
前言进化计算是一组受生物启发的算法，用于解决复杂的优化问题，包括受遗传学启发的进化算法和受文化遗传学启发的群体智能，现代进化计算的研究仍相对有限。
为了了解已考虑和忽视的进化机制，该论文基于扩展进化综合体系，对成功的生物启发算法进行了详细分析，扩展进化综合体系在进化理论中尚未完全被接受，提出了许多有趣的概念，可为进化计算带来益处，
该框架揭示了进化计算在表观遗传学方面存在空白，而表观遗传学是现代进化解释的重要组成部分，这为进化计算提供了许多未探索的受生物启发的机制，值得进一步研究，并通过最新的基准测试展示了基于表观遗传学的方法的潜力。
有人担心追求算法的新颖隐喻会分散注意力，而忽略那些真正具有创新思想且能带来实质差异的方法，新的遗传算法，如协同进化多级选择遗传算法(cMLSGA)，成功地探索了额外的非遗传或间接遗传机制，并在越来越多的实际问题中取得了性能改进。
探索进化计算中的生物启发机制：从遗传到文化与表观遗传的综合分析在进化理论中，现代综合体系是将达尔文和华莱士关于自然选择的进化理念与孟德尔的遗传原理结合起来的理论框架，这些遗传机制对进化有贡献，越来越多的证据表明非遗传遗传也具有重要影响力。
新的研究提出了扩展进化综合体系的概念，包括表观遗传学、文化遗传学、表型可塑性、父母和环境效应以及多级选择等因素，在进化计算领域，对于这些非遗传遗传概念的探索还相对有限，大多数进化算法仍局限于现代综合体系的概念。
而群体智能算法则与文化遗传学的概念对应，达尔文主义和现代综合体系的遗传概念已经得到详细研究，将其他非遗传遗传概念引入进化计算领域的努力还很有限。
进化计算是一组受生物启发的算法，用于解决复杂的优化问题，它包括受遗传学启发的进化算法和受文化遗传学启发的群体智能算法，现代进化计算的研究仍相对有限。
为了了解已考虑和忽视的进化机制，该论文基于扩展进化综合体系，对成功的生物启发算法进行了详细分析，扩展进化综合体系在进化理论中尚未完全被接受，提出了许多有趣的概念，可为进化计算带来益处。
该框架揭示了进化计算在表观遗传学方面存在空白，而表观遗传学是现代进化解释的重要组成部分，这为进化计算提供了许多未探索的受生物启发的机制，值得进一步研究，并通过最新的基准测试展示了基于表观遗传学的方法的潜力。
有人担心追求算法的新颖隐喻会分散注意力，而忽略那些真正具有创新思想且能带来实质差异的方法，，新的遗传算法，如协同进化多级选择遗传算法(cMLSGA)，成功地探索了额外的非遗传或间接遗传机制，并在越来越多的实际问题中取得了性能改进。
进化计算中的综合遗传和非遗传机制：扩展进化综合体系的研究与应用在进化理论中，现代综合体系是将达尔文和华莱士关于自然选择的进化理念与孟德尔的遗传原理结合起来的理论框架，这些遗传机制对进化有贡献，越来越多的证据表明非遗传遗传也具有重要影响力。
新的研究提出了扩展进化综合体系的概念，包括表观遗传学、文化遗传学、表型可塑性、父母和环境效应以及多级选择等因素。
在进化计算领域，对于这些非遗传遗传概念的探索还相对有限，大多数进化算法仍局限于现代综合体系的概念，而群体智能算法则与文化遗传学的概念对应，达尔文主义和现代综合体系的遗传概念已经得到详细研究，将其他非遗传遗传概念引入进化计算领域的努力还很有限。
而在群体智能算法中，个体通常以表型表示，即观察到的特征，如外观或行为，表型是选择的目标，例如更大的角，而基因型则代表对选择的响应，在这些算法中，通常使用表型来隐喻狩猎、觅食和移动行为，而遗传成分较少涉及。
使用生物信息传递的生物学框架展示了遗传和文化信息源与进化算法和群体智能的紧密联系，右侧的机制比左侧的机制更多地利用非遗传传递，进化算法主要依赖遗传源，而群体智能方法则依赖文化源。
表型可塑性是指相同基因型在表观遗传或环境条件下产生不同表型的能力，遗传继承在最左侧时可塑性较低，因为基因型需要多代才能发生突变和演化，仅依靠遗传继承本身无法立即对环境的突然变化做出反应并适应基因型。
而文化和非传递信息可以导致更高的表型可塑性和更高的变异性，就像在自然界中一样，适应可以在几代内迅速发生，最右侧的非传递信息指的是不会被后代继承的信息，它具有最高的可塑性，因为它能够立即对环境变化做出反应，它是不稳定的，无法传递给未来的后代。
既有进化算法也有群体智能算法在遗传和文化机制之间存在一定的重叠，例如，cMLSGA利用多级选择来演化个体和个体集合，GB-ABC在蜜蜂群算法中添加了遗传算子，这些机制导致cMLSGA增加了多样性，而GB-ABC增加了收敛性。
主要的差距在于表观遗传的传递，只有EBO/CMAR在某种程度上使用了这种类型的信息传递，仍不能被认为是完全的表观遗传，还有其他一些旨在整合表观遗传机制的算法，它们不符合高引用次数或基准测试中的高性能标准，接下来将讨论这些算法。
基于环境触发的表观遗传算法：实现快速变异的关键特征与进化优势研究表观遗传学的关键概念是在适当时候实现快速变异，目前受表观遗传学启发的现有研究缺少基于种群适应环境的机制触发的关键特征，这些机制以概率方式触发，没有区分个体、父母和表观遗传标记的传递方式。
Periyasamy开发了一种基于细胞内遗传学过程的表观遗传算法，模拟了细胞组织结构，该算法中，个体以类群体方式执行独立任务，并需要满足特定条件，算法专注于表观遗传过程，不使用遗传算子，这导致缺乏遗传成分对最终表型的贡献。
另一种算法将胞嘧啶甲基化的表观遗传过程引入遗传算法以解决背包问题，在交叉操作中，胞嘧啶甲基化阻断了个体基因型的一部分，这种甲基化操作通过阻断父本1的交叉部分，传递了适应度较高的父本的更大部分基因型，同时消除了适应度较差的父本，甲基化发生的恒定概率意味着假设表观遗传标记总是传递给新一代，而没有对外部因素进行动态变化。
表观遗传信息的遗传与传递机制在进化算法中的应用研究这些标记可以编码在应用遗传算子后修改变量的机制，这些机制可以通过引导表型变化的方向来增加收敛性，以适应选择压力，基因底层的机制不受表观遗传变化的影响，而且表观遗传变化可以很容易地被逆转，相比于基因突变，它减少了不良突变的成本。
底层基因组可能会受益于表观型的学习变化，这也可能导致长期适应性基因被短期表观遗传适应所取代，从而陷入局部最优解，快速适应的优势可能会丧失。这些方面可能对于动态问题具有潜在的好处，特别是当帕累托前沿不是静态的时候，具有表观型的算法的自适应性和快速收敛性将使其能够快速适应不断变化的帕累托前沿。
结论进化计算是一个现在包含许多不同变种的领域，它源于生物学，且自然界中存在多种多样的机制，这些算法可以广泛地分为两大类演化方式：进化算法，受到遗传继承的启发，和群体智能算法，受到文化继承的启发。
缺乏多样性的原因被认为是由于相似的基础生物机制经常以新的形式出现，很难理解哪些机制已经被考虑过，为了了解哪些已经被考虑，哪些被忽视了，现有的进化计算算法根据受扩展进化综合体系启发的当代生物学分类进行分类。
文章指出了利基建设、表型可塑性和表观遗传机制在进化描述中的重要性，这些都是生物学文献中提出的许多基础机制，对表观遗传学的深入讨论表明，表观遗传机制为在变化的环境中迅速收敛和稳定群体提供了一种自适应的手段。
