进化算法，也被称为演化算法（evolutionary algorithms，简称EAs），它不是一个具体的算法，而是一个“算法簇”，遗传算法（GA）是进化算法中的一类
机器学习中四类进化算法的详细讲解：遗传算法、差分进化算法、协同进化算法、分布估计算法
基础概念：
适应度（fitness）
所谓的适应度，本质上可以理解为一个代价函数，或者一个规则，通过对初始种群中的个体计算适应度，能够得到对初始种群中的个体是否优劣的一个度量。
外在fitness、内在fitness
外在fitness和内在fitness是进化生物学领域中的两个概念。
外在fitness（exogenous fitness）指因为适应环境（所有非生物因素，如气候、温度、食物等）而对个体或群体所产生的选择性压力。换句话说，它是指由于个体或群体的适应性而导致的生存、繁殖或其他方面的成功。
内在fitness（endogenous fitness）则是指遗传信息中的优劣性，即个体或群体基因组的贡献度。内在fitness取决于个体或群体基因组中的各种基因和基因型，包括它们的表达方式、功能以及相互作用等。
高外在fitness、高内在fitness
高外在fitness和高内在fitness分别指个体或群体在适应环境和基因遗传信息方面的较高适应度，从而使它们具有更高的生存和繁殖成功率。
高外在fitness指个体或群体根据其形态、行为等特征能够更好地适应当前环境条件，获得更高生存和繁殖成功的机会。这意味着它们具有更有效的适应性，并能够更好地应对环境变化和风险因素。
高内在fitness则指个体或群体基因组中所包含的优良基因和基因型，这些基因和基因型可能使它们具有更好的生存和繁殖能力。例如，在一定的环境条件下，表现出更强的免疫系统、更快的生长速度、更高的智力等等。
选择
选择操作是根据种群中的个体的适应度函数值所度量的优、劣程度决定它在下一代是被淘汰还是被遗传。
交叉
交叉操作是将选择的两个个体p1和 p2作为父母节点，将两者的部分码值进行交换。假设有下面的两个节点的二进制编码表示：
随机产生一个1到7之间的随机数，假设为3，则将p1和 p2的倒数三位进行互换，如下图所示，就完成了交叉操作：
当然这个只是非常简单的交叉方法，业界常用的交叉方法为模拟二进制交叉。
变异
变异操作就是改变节点p2的二进制编码的某些未知上位置上的数值，如下所示：
1 1 0 1 1 1 1
随机产生一个1到8之间的随机数，假设为6，则将编码的第6位进行变异，将1变为0，如下图所示，就完成了交叉操作：
1 1 0 1 1 0 1
这个依旧是一种简单的变异操作，业界常用的变异操作方法有高斯变异，柯西变异等。
算法的收敛性
通过上面的操作，我们介绍了遗传算法的大概流程，那么现在还剩下一个问题，算法是否收敛，这个才是算法最关键的。
Radolph在文献[Radolph G. Convergence Analysis of Canonical Genetic Algorithms. IEEE Transactions on Neural Network, 1994,5(1): 96-101.]中证明了一般的遗传算法不一定收敛，只有每代保存了最优个体时才收敛。
进化算法
进化算法包括遗传算法、进化程序设计、进化规划和进化策略等等，进化算法的基本框架还是简单遗传算法所描述的框架，但在进化的方式上有较大的差异（选择、交叉、变异、种群控制等）有很多变化，进化算法的大致框图可描述如下图所示：
同遗传算法一样，进化算法的收敛性也是在保存最优个体时通用的进化计算是收敛的。但进化算法的很多结果是从遗传算法推过去的。
遗传算法对交叉操作要看重一些，认为变异操作是算法的辅助操作；而进化规划和进化策略认为在一般意义上说交叉并不优于变异，甚至可以不要交叉操作。