Neil Zhu，简书ID Not_GOD，University AI 创始人 & Chief Scientist，致力于推进世界人工智能化进程。制定并实施 UAI 中长期增长战略和目标，带领团队快速成长为人工智能领域最专业的力量。
作为行业领导者，他和UAI一起在2014年创建了TASA（中国最早的人工智能社团）, DL Center（深度学习知识中心全球价值网络），AI growth（行业智库培训）等，为中国的人工智能人才建设输送了大量的血液和养分。此外，他还参与或者举办过各类国际性的人工智能峰会和活动，产生了巨大的影响力，书写了60万字的人工智能精品技术内容，生产翻译了全球第一本深度学习入门书《神经网络与深度学习》，生产的内容被大量的专业垂直公众号和媒体转载与连载。曾经受邀为国内顶尖大学制定人工智能学习规划和教授人工智能前沿课程，均受学生和老师好评。
GAIC 全球人工智能大会有幸邀请到了荷兰著名计算机科学家、人工智能领域专家 Agoston E. Eiben 教授。Eiben 教授常年耕耘在进化计算领域。这是一个不为大众熟知的领域，如同此前沉默的深度学习（神经网络），世界上还有一些科学家在这里静静地研究。这也是未来可能会产生令人吃惊的成果的领域。因此，我们在这次会议上让 Eiben 教授来介绍这个神秘却又有趣的进化计算。
进化计算的地位
从历史的角度看，人类在进化中扮演着两个角色。和其他任何物种一样，人类是进化的产物，受到进化的影响。但是几千年来人类已经是显著地在影响其他物种进化的——通过选择哪些植物或者动物可以存活或者繁衍。因此即使在这个进程的代与代之间变迁的机制还没有真正理解的情况下，人类就已经成功地利用了进化来创造改进的食物源或者更加有用的动物了。
人类在进化中影响范围其实还很受限，仅仅是在生存和繁衍的选择干预上。而对其他部分的影响，如基因型的设计或者突变和重组机制，我们人类所知甚少。而这种情况在计算机发明之后发生了变化，计算机可以创造数字世界，这个世界更加灵活却又比物理现实更好控制。随着进化背后的基因机制理解逐渐加深，我们有了成为完全设计好的由人类实验者“像神一样”来执行进化过程的管理者机会。
有观点表示进化算法并不是遵循自然进化的模型。但是他们肯定是进化的一种形式。如 Dennett 所说“如果你有变异、遗传和选择，那么你肯定会进化”。
从计算机科学的角度，进化算法是基于生成-测试原则的随机启发式搜索方法：产生一个后代数量来生成在搜索空间的新的点，然后通过适合性评估来做测试。将进化算法和计算机科学中的其他算法区分开的地方就是其独特地用候选解的群的形式把随机性和维护工作记忆组合起来。需要注意的是，有很多有着不同名称的通用的进化计算模板：遗传算法、进化策略、进化规划和遗传规划；以及更年轻的分支，如微分进化和粒子群优化。这些算法在一些具体的细节上存在差异，术语或者出发的动机不同，实际上，这些算法本质都是同一个算法模板。
通常我们会将算法根据完备性（是否能够产生每个可能的解）、最优性（是否保证能够找到最优解并识别出来）和有效性。进化算法的完备性可以通过表示和变异算子的合适选择来达到。最优性是更加复杂的问题。尽管对很多问题存在最优方法，但在大多数非平凡的场景下这些方法的扩展性会变得很差——所以也导致了人们对启发式算法的兴趣。只有遗传原理成立（类似的个体有着类似的适合性），进化算法将会有一种“基本直觉”在一定的时间内提升群的适合性——因为选择算子偏向于选择更加适合的个体进行繁殖和存活。因此，如果我们可以定义人工适合性在待解决的问题的评判之上的话，那么进化算法将会去寻找优化适合性值，或者至少近似这些值。这意味着，进化算法可以被用来解决优化问题，因此，任何可以转化为等价优化任务的问题也都可以用进化算法求解。这样其实包含了大多数在设计和从数据中构建或者学习的问题。另外，需要理解的是，进化算法并不是优化器，但是是近似器，因为我们可能不知道最优进化出来的解的适合性就是最高可能值。但是，当近似解是可接受的时（比如说全局最优不知道或者不要求的情况），这些方法会变得很有价值。
