终生适应模型

到目前为止，在本教程中，我们所讨论的内容都与达尔文进化模型相对应——通过重组和突变进行自然选择和遗传变异。在自然界中，只有个体基因型中包含的信息才能传递给下一代。这是我们在本教程中迄今为止一直遵循的方法。

然而，也存在其他终生适应模型——拉马克模型和鲍德温模型。值得注意的是，无论哪种模型最好，都有待商榷，研究人员获得的结果表明，终生适应的选择与问题高度相关。

通常，我们将 GA 与局部搜索混合使用——就像在 Memetic 算法中一样。在这种情况下，人们可以选择使用拉马克或鲍德温模型来决定如何处理局部搜索后生成的个体。

拉马克模型

拉马克模型本质上说，一个人一生中获得的特征可以传递给其后代。它以法国生物学家让-巴蒂斯特·拉马克的名字命名。

尽管如此，自然生物学已经完全无视拉马克主义，因为我们都知道只有基因型中的信息才能传递。然而，从计算的角度来看，采用拉马克模型已经证明可以解决一些问题。

在拉马克模型中，局部搜索算子检查邻域(获得新特征)，如果发现更好的染色体，它将成为后代。

鲍德温模型是一个中间概念，以詹姆斯·马克·鲍德温 (1896) 的名字命名。在鲍德温模型中，染色体可以编码学习有益行为的倾向。这意味着，与拉马克模型不同，我们不会将后天获得的特征传递给下一代，也不会像达尔文模型那样完全忽略后天获得的特征。

鲍德温模型处于这两个极端的中间，其中编码的是个体获得某些特征的倾向，而不是特征本身。

在这个鲍德温模型中，局部搜索运算符检查邻域(获得新特征)，如果发现更好的染色体，它只会将改进的适应度分配给染色体，而不会修改染色体本身。适应度的变化表示染色体"获得特征"的能力，即使它不会直接传递给后代。