GEP(Gene Expression Programming，基因表达式编程)算法是荷兰生物学家Ferreira在1999年提出，并于2001年发表了GEP算法第一篇论文《Complete Reference for First GEP Paper》。GEP算法融合了GA（Genetic Algorithms，遗传算法）和GP（Genetic Programming，遗传程序设计）设计思想，开创性地提出用定长线性串表示非线性树结构的方法。GEP算法一方面继承了GA算法刚性、规矩和快速，另一方面继承了GP算法的柔性易变和多能，并且在运行效率上比传统GP系统提升了100-60000倍。
GEP虽然在GA与GP基础上改造提升，但其核心思想都是借鉴生物进化的原理，属于进化算法（Evolutionary Algorithms）的一种。本文做为系列讲座的第一部分，先介绍生物进化、遗传算法和进化算法的基本思想。
一、生物进化
万物生长，自然界中各种生命形式千姿百态，你如今看到的生物物种都是经过几十万年、上百万年进化而来。在进化过程中，生物会从上一代通过复制染色体继承某些性状，在遗传的同时生物个体也会发生变异。有的变异可以使新的个体更加适应生存环境，而有的变异则相反。那些不能适应生存环境的个体会逐步消亡，适应生存环境的个体则以较高的概率存活下来，并有较多的机会产生后代。正是这种"物竞天择、适者生存"的进化法则，使得在漫长的进化过程中，那些具有优良特性的生物被保留下来，而不适应环境的物种被淘汰。
生物进化通常都包含以下几个步骤：
· 遗传：子代个体复制父代个体染色体，从而继承父代个体的性状。遗传生物进化的基础，没有遗传，后边的规则都失去意义；
· 变异：遗传过程中基因能够产生突变，使得个体与父代个体不同。这种现象在进化中是小概率事件，但为产生新物种和进化奠定了基础；
· 选择：适应环境的个体有较高的概率存活，不适应环境的个体生存机会较小。这种机制保证了生物进化总的趋势是从低级、简单类型向高级、复杂的类型进化
生物进化理论不仅为人类认知生命演化提供了理论基础，还"跨界"在机器学习领域得到应用，这就是遗传算法。
二、遗传算法
1975年，美国科学家J.Holland教授根据生物进化理论提出了一种基于种群并行搜索的优化算法——遗传算法。遗传算法是一种基于空间搜索的算法，其基本思想是通过遗传、变异和自然选择，模拟自然优胜劣汰进化过程，使种群不断向前进化，最终收敛到优化解。
遗传算法具有以下特性：
· 高鲁棒性和广泛适用性，能够不受问题性质的限制，有效地处理传统优化算法难以解决的复杂问题（比如NP难优化问题）
· 遗传算法直接处理的对象是参数集合的编码而非参数本身，所以搜索过程不存在求导和函数连续性的限定；
· 遗传算法的搜索是从具有一定规模的N个个体开始而不是从单个个体开始，具有内在的高并行性
· 遗传算法利用选择、交叉、变异等算子，使每代个体具有更好的多性样，从而获得更好的全局寻优能力；
· 遗传算法采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。
遗传算法的基本操作步骤如下：
第一步：种群初始化：随机产生一个初始种群，种群的每个个体都是一个确定长度的特征字符串，代表解空间上的一个可行解；
第二步：个体评估：用适应性函数（Fitness function）计算每个个体的适应度，从而衡量每个个体的优劣；
第三步：判断是否满足迭代停止条件或已达到最大迭代次数：如果满足上述条件中的一项，则执行第七步。如果不满足则执行第四步；
第四步：根据个体适应度对种群个体进行选择，被选择的个体将进入交配池中组成父代种群；
第五步：从交配池中按一定概率选择个体进行遗传和变异产生新的个体；
第六步：令种群迭代次数g=g+1，进行下一轮的迭代操作（跳转到第二步），直至迭代次数达到最大的迭代次数或找到最优解；
第七步：输出种群中适应度最高的个体，即最优解；
三、进化算法
在标准遗传算法的基础上，很多学者对它进行了改进，提出了一些变种的、非标准的遗传算法。这些算法虽然在编码定义、算子规则有所不同，但都借鉴了生物进化的理论，所以统称为"进化算法"。
从数值分析的角度来看，进化算法可视为随机搜索的优化算法。其本质是非确定性的，所以能够搜寻问题空间中所有的可能答案。在进化算法执行过程中，大量个体随着环境的变化进行选择、变异，进而形成各种各样的个体，不同个体代表了用以解决问题的不同途径和方法。正是因为进化算法解决问题的能力具有多样性，在很多没有现成可利用解决方法的复杂非线性问题（参数优化、作业调度、自动控制等）上，进化算法便成为了最有效的分析手段。
进化算法除了遗传算法外，还有进化策略、进化规划、遗传编程以及基因表达式编程GEP。
如果大家对此话题感兴趣，欢迎大家点击"关注"。
