王爱民从事APS方面的研究与系统开发和实施工作，APS的研究是离不开算法的。遗传算法作为组合优化的鼻祖，有汗牛充栋的研究积累，有各种鸟群、蚁群、鱼群、猫群、狼群等等或有意义或无关痛痒的演变。正好今天抽空审稿了一篇这方面的论文，感觉有句话想说。关于遗传算法的讨论这是一个老话题了，也许我说的也是老生常谈了无心意，但仅供参考吧。

首先，遗传算法是用于解决组合优化问题的。当计算能力比较弱的时候，或者问题规模比较大的时候，如果采用穷举的方法来解决组合优化问题，一般来说是不现实的，所以遗传算法就应运而生。遗传算法通过提供进化机制进行穷举的控制，避免无谓的穷举，相当于减少了穷举的规模，或者说是按照某种机制来进行部分的穷举，以找到近优或者次优解的方案。

其次，遗传算法在一定程度上是解决了或者说是尝试解决启发式规则方法只顾眼前的这个弊端。它采用的机制就是种群及其进化，种群当中的每一个体其实都是一个完整的解决方案，它从整体上来考虑迭代寻优，所谓站得高看得远，其实就是形容它的。

第三，遗传算法的生物进化机制以及帕累托解空间多目标协同或综合的方式一直是存在着大量的各种所谓的完善或者改进的。比如通过保留劣解或者说交叉变异来体现种群的多样化以及跳出局部的最优解，就如同白痴和天才很多时候都是集于一身的，如果按照正常的评价准则来说的话白痴是要被淘汰的，但不妨碍它存在一些天才的基因。所以遗传算法的适应度函数这方面有可能可以采取一种根本性的改变办法，比如体现对于优秀基因的保留程度，而不是以一代的结果作为成败选择的依据，这也应该是遗传算法的一个发展方向。

第四，遗传算法当中的种群及其迭代其实是存在着很多隐藏的模式或者秩序的，当前这个算法是通过遗传进化机制来保证这些优秀的影隐含模式或者秩序得以遗传保留下去的，但现在大数据技术也在发展，有很多机器智能方法应该也可以获得这方面的。这应该是遗传算法或者大数据/机器学习可以双向借鉴的后续的一个发展方向。

虽然遗传算法解决了很多相对较为规范的问题，但是在类似APS这样复杂的工业场景问题上其实一直解决的都不好(原因很多，此处省略一万字…………见仁见智，容易争论，就不多说了)。这方面的研究简直是太多了，真的不是说研究成果不能落地，而是说可能根本就不是一个成果。但从学术性上来说，还是非常有意思的。我看好的是他背后隐藏的一些闪烁思想，而不是表面上所呈现出来的这个过程，这样应该才能最终对于实际应用来提供帮助。