生物的遺傳依靠基因的傳承，是近百多年來的主流認知，由十九世紀孟德爾的碗豆雜交實驗，乃至近數十年間的基因編輯實驗，隨著科技的進步，我們能夠獲得更多可靠的資訊，用以豐富及完善遺傳基因這套模型。
既然我們得知基因大致上控制了生物個體的成長，假設我們可以任意調配基因，製造出優秀的後代，令它們能夠更快更穩妥地適應我們給予的生活環境，那麼我們應該如何下手？
求學的確是求分數
以優生角度來看，不優不生，資源就盡可能留給較優秀的個體，逐步提高下一代中優秀個體的質素及數量。揀選出優秀個體，就順理成章地成為了每一次佚代的第一步。揀選的準則在於個體有多適應給予的環境，在遺傳演算(genetic algorithm)中，通常由一個量度函數來評分，量度函數會隨不同的應用而變化，可以是個體的可存活歲數，或是個體做出自毀行為的傾向等。
優秀個體獲派資源後，便開始繁衍與之相似的下一代。參照生物遺傳學的認識，典型遺傳演算摹擬了當中的交叉(crossover)及突變(mutation)兩類運算。突變運算影響單一個體的基因，以較少量的改變作出局部的搜尋，下文將作進一步介紹；交叉運算涉及複數個體間的資料重整，有學者[1][2]認為是遺傳演算中舉足輕重的概念，然而當中情況較為複雜，僅於茲略述。
機器學習的好朋友就只有梯度下降？
借鑑Uber最近發表的研究[3]上的做法，可說是全盤使用概率來達成學習，為了造出相似的個體，須在部份基因中加入雜訊，仿效基因突變的狀況。雜訊幅度的大小，會直接影響與下一代個體之間的相似度，亦成為當中一個可供操控的參數，調控深化某基因的作用與發掘其他可能性的取捨。
舉例說，要用一條10米長的繩索圈出最大面積的矩形，我們可以這樣以遺傳演算來找出矩形的長度。假切我們持續地保留兩個能圈出最大面積的長度，隨機以2及3作為第一代個體，各自加入些許雜訊突變成下一代，又假切結果為1.87、2.09、2.74及3.05，計算出的面積分別為5.8531、6.0819、6.1924及5.9475，最大的面積是6.0819及6.1924，因而保留2.09及2.74兩個長度，如此類推，保留的長度會越來越接近最佳答案，即2.5。
“Particular individuals do not recur, but their building blocks do” — John Henry Holland
以上的簡單例子，每個個體僅需要一個基因單位來代表，不用考慮太多基因編碼的實際操作。個體的特性如何地以基因表示，編碼應該如何設計，很大程度視乎應用到一個怎麼樣的課題上。或許，我們能在building block hypothesis[4]中窺出一絲端倪，盡可能地將基因組所導致的在評分上的優勢，或多或少帶到由它所構築起的較大的基因組裡。
編碼方式的選擇，無形中左右我們使用基因變異運算的方式。以交叉運算而言，它的設計原意是在複數個體中各取所長，將之合而為一，是深入找尋最佳解的方法之一，但若然編碼方式不利於交叉運算，例如所謂deception[5]的情況，個體的表現與基因排序無相關性，導致組合出來的個體並不一定集各家之大成，甚或最壞情況跟隨機抽樣同一效率。
基因編碼及各樣基因變異運算的選擇，須因應不同課題，這樣大大提高遺傳演算在應用方面的難度。然而，遺傳演算容許純粹以概率的方式來解決最佳解的問題，這是遺傳演算的優勢，相比起常見的梯度下降(gradient descent)，免卻了可微性(differentiability)的掣肘。再者，個體之間甚少互相依賴，亦有利於並行運算。
參考資料
[1] Doerr, B., Happ, E., & Klein, C. (2012). Crossover can provably be useful in evolutionary computation. Theoretical Computer Science, 425, 17–33.
[2] Yoon, Y., Kim, Y. H., Moraglio, A., & Moon, B. R. (2012). A theoretical and empirical study on unbiased boundary-extended crossover for real-valued representation. Information Sciences, 183(1), 48–65.
[3] Such, F. P., Madhavan, V., Conti, E., Lehman, J., Stanley, K. O., & Clune, J. (2017). Deep neuroevolution: genetic algorithms are a competitive alternative for training deep neural networks for reinforcement learning. arXiv preprint arXiv:1712.06567.
[4] Goldberg, D. E. (1989). Genetic algorithms in search, optimization, and machine learning.
[5] Angeline, P. J., Saunders, G. M., & Pollack, J. B. (1994). An evolutionary algorithm that constructs recurrent neural networks. IEEE transactions on Neural Networks, 5(1), 54–65.
