王愛民從事APS方面的研究與系統開發和實施工作，APS的研究是離不開算法的。遺傳算法作為組合優化的鼻祖，有汗牛充棟的研究積累，有各種鳥群、蟻群、魚群、貓群、狼群等等或有意義或無關痛癢的演變。正好今天抽空審稿了一篇這方面的論文，感覺有句話想說。關于遺傳算法的討論這是一個老話題了，也許我說的也是老生常談了無心意，但僅供參考吧。

首先，遺傳算法是用于解決組合優化問題的。當計算能力比較弱的時候，或者問題規模比較大的時候，如果采用窮舉的方法來解決組合優化問題，一般來說是不現實的，所以遺傳算法就應運而生。遺傳算法通過提供進化機制進行窮舉的控制，避免無謂的窮舉，相當于減少了窮舉的規模，或者說是按照某種機制來進行部分的窮舉，以找到近優或者次優解的方案。

其次，遺傳算法在一定程度上是解決了或者說是嘗試解決啟發式規則方法只顧眼前的這個弊端。它采用的機制就是種群及其進化，種群當中的每一個體其實都是一個完整的解決方案，它從整體上來考慮迭代尋優，所謂站得高看得遠，其實就是形容它的。

第三，遺傳算法的生物進化機制以及帕累托解空間多目標協同或綜合的方式一直是存在著大量的各種所謂的完善或者改進的。比如通過保留劣解或者說交叉變異來體現種群的多樣化以及跳出局部的最優解，就如同白癡和天才很多時候都是集于一身的，如果按照正常的評價準則來說的話白癡是要被淘汰的，但不妨礙它存在一些天才的基因。所以遺傳算法的適應度函數這方面有可能可以采取一種根本性的改變辦法，比如體現對于優秀基因的保留程度，而不是以一代的結果作為成敗選擇的依據，這也應該是遺傳算法的一個發展方向。

第四，遺傳算法當中的種群及其迭代其實是存在著很多隱藏的模式或者秩序的，當前這個算法是通過遺傳進化機制來保證這些優秀的影隱含模式或者秩序得以遺傳保留下去的，但現在大數據技術也在發展，有很多機器智能方法應該也可以獲得這方面的。這應該是遺傳算法或者大數據/機器學習可以雙向借鑒的后續的一個發展方向。

雖然遺傳算法解決了很多相對較為規范的問題，但是在類似APS這樣復雜的工業場景問題上其實一直解決的都不好(原因很多，此處省略一萬字…………見仁見智，容易爭論，就不多說了)。這方面的研究簡直是太多了，真的不是說研究成果不能落地，而是說可能根本就不是一個成果。但從學術性上來說，還是非常有意思的。我看好的是他背后隱藏的一些閃爍思想，而不是表面上所呈現出來的這個過程，這樣應該才能最終對于實際應用來提供幫助。