遗传算法在 AI 里为什么退潮？进化计算的兴衰

AI 的方法清单里，有一类算法曾经被寄予厚望，后来又悄悄退到后台：遗传算法。它从生物进化借来思路，让候选解像种群一样繁衍、交叉、变异，再被适应度筛选，在二十世纪八十至九十年代盛极一时，此后在机器学习的主流叙事中逐步让位，转而深耕组合优化等专属领地。这篇只按公开文献，把它的兴起、盛行年代的应用、退潮时的公开评估与延续至今的神经演化线索讲清楚，不对任何路线作褒贬。

从霍兰德的一本书说起

遗传算法的奠基人是密歇根大学的约翰·霍兰德。公开资料显示，他从二十世纪六十年代起研究适应系统，1975 年出版《自然系统与人工系统中的适应性》，系统给出遗传算法的框架：把候选解编码成字符串，用选择、交叉、变异三类操作生成新一代解，靠适应度函数决定谁被保留；书中还提出了后来被反复引用的模式定理。公开资料另记录他曾获麦克阿瑟基金会奖学金。这套设计的卖点是通用——不依赖问题的数学性质，只要能把解编码、能打分，就能跑起来。

盛行年代的公开应用

方法走红是在八十年代。1985 年，首届国际遗传算法会议召开，这个社群从此有了自己的公开阵地；1992 年，约翰·科扎出版遗传编程专著，把进化思路从参数优化推广到程序结构的演化。应用清单在公开文献里相当长：排班排课、车辆路径、结构设计、生产调度，都有用它做出公开结果的记录；2006 年，美国航空航天局的团队公开报告用演化算法为一颗卫星设计出一款形状奇特的天线并随星升空，常被引用为代表性案例。当时的机器学习课堂里，它也是与神经网络、决策树并列介绍的标准选项之一。

退潮时的公开评估

退潮的过程没有戏剧性节点，公开文献里的评估可以归成几条。其一，工程开销：适应度评估通常代价不低，种群要一代一代跑，面对大规模数据的学习任务不划算。其二，编码瓶颈：解怎么编码高度依赖人工经验，而机器学习要学的恰恰是表示本身，让网络自己学表示、用梯度逐步调整的路线（见反向传播一篇）在大数据条件下显出了规模优势。其三，理论保证有限：收敛性结论难以覆盖真实任务。1997 年，「没有免费午餐」定理公开发表，指出任何优化算法在全部问题上的平均表现没有差别，这类公开结论让「包打天下」式的期待降了温。随后深度学习复兴（见深度学习复兴一篇），2012 年之后主流资源集中到梯度路线，AI 寒冬（见AI 寒冬一篇）里「预期与进展的落差」这一幕，在遗传算法的退潮中同样可以观察到。需要说明分寸：以上是公开文献对方法局限的常规归纳，遗传算法并没有消失，它的退潮是主桌换座，不属于谢幕。

组合优化与神经演化两条续线

退潮后的去向有两条公开可查的主线。第一条是组合优化与运筹领域：排产、路径规划、工程参数设计等任务里，进化类算法至今是常用工具，IEEE 演化计算大会自九十年代中期起持续举行，专业期刊与会议一直运作。第二条是神经演化：用进化方法优化神经网络的结构或权重，2002 年公开的 NEAT 方法是常被引用的节点；2017 年前后，OpenAI 公开进化策略论文，优步团队公开深度神经演化研究，报告在强化学习任务上取得与主流梯度方法可比的公开结果——这条线至今活跃，属于进化思路换了个山头继续的延续。

遗传算法时间线速查

• 1960 年代：霍兰德在密歇根大学开始适应系统研究
• 1975 年：《自然系统与人工系统中的适应性》出版，框架成形
• 1985 年：首届国际遗传算法会议召开
• 1992 年：科扎出版遗传编程专著
• 1997 年：「没有免费午餐」定理公开发表
• 2002 年：NEAT 方法公开
• 2006 年：演化天线随卫星升空的公开报告
• 2017 年：进化策略与深度神经演化论文相继公开

一段兴衰与今天的关联

这段兴衰留给读者的判断框架到今天仍用得上：评估一个方法，看它和任务合不合，比看它火不火更管用，公开评测与真实任务的距离可参考基准分和实际任务一篇。动手感受也不难：让 DeepSeek 用「整理书架」举一个选择、交叉、变异的具体例子，把遗传算法的流程讲一遍；再让 Kimi 查一查近两年神经演化方向的论文标题，看看这条续线走到了哪一步；两个工具的答案互相对照，比读单篇科普可靠。今天你用豆包规划一份多城市行程，背后的求解器里未必没有进化思路在某个环节服务——方法的兴衰各有周期，合用与否始终落在具体任务上。

遗传算法快问快答

• 遗传算法是谁提出的？：公开文献把奠基工作记在密歇根大学的约翰·霍兰德名下，1975 年的专著给出了完整框架与模式定理。
• 它为什么退出了机器学习主流？：公开文献的评估集中在评估开销、人工编码与理论保证几条局限，叠加梯度方法在大数据时代的规模优势；这是路线适配问题，并非方法失效。
• 神经演化还在继续吗？：在。公开代表作包括 2002 年的 NEAT 与 2017 年前后的进化策略、深度神经演化研究，这个方向仍在活跃。