演化学习
种类
广义的演化算法包括：模拟退火算法、蚁群算法、粒子群算法等等，成为启发式优化算法的一个重要家族。
不同的演化算法，主要在于其启发式算子、评价准则、停止准则等部件的设计不同。
演化算法通常具有公共的算法结构
1. 产生初始解集合，并计算解的目标函数值；
2. 使用启发式算子从解集合产生一批新解，并计算目标函数值，并加入解集合；
3. 根据启发式评价准则，将解集合中较差的一部分解删除；
4. 重复第二步，直到设定的停止准则满足；
5. 输出解集合中最优的解。
演化算法的分析
演化算法通常维护一个解的集合，并通过启发式算子来从现有的解产生新解，并通过挑选更好的解进入下一次循环，不断提高解的质量。
可见，演化算法进行优化的过程不依赖于梯度等信息，也常被称为0阶优化方法、无梯度(derivative free)优化方法、黑箱优化方法等；也因此能够用于处理非凸、高度非线性、组合优化、目标函数未知等问题。
机器学习任务中存在大量的复杂优化问题有待解决，这就使得机器学习与演化算法的结合，即演化学习有了自然的动机和天然的条件。
很多学者已经尝试将演化算法应用于分类、聚类、规则发现、特征选择等等诸多机器学习与数据挖掘问题上。
缺点
由于演化算法作为优化算法的理论性质缺失，其优化效率高低、求得解的逼近程度如何、启发式算子有何效用等等问题难以有严格的答案，演化学习也因此缺乏有效的理论解释。
最近，演化学习在理论基础方面得到发展。针对演化算法的理论分析工具开始出现，演化算法求解的逼近性能开始得到了揭示，启发式算子的效用也逐渐被了解。
值得一提的是，近来演化学习方法在理论上和实验上都显出超越经典学习方法的潜力。
同时，在大数据环境下，演化学习的进一步发展也面临挑战：当学习模型变得复杂、面临的数据增长迅速、对模型训练时间的要求苛刻时，演化学习如何能够进行有效、高速的优化，还有待深入的研究。