终生适应模型

到目前为止，在本教程中，我们所讨论的任何内容都对应于达尔文的进化模型——自然选择和通过重组和突变的遗传变异。在自然界中，只有个体基因型所包含的信息才能传递给下一代。这是我们迄今为止在本教程中一直遵循的方法。

然而，其他终生适应模型——拉马克模型和鲍德温模型也确实存在。值得注意的是，无论哪个模型是最好的，都值得争论，研究人员获得的结果表明，终生适应的选择是高度特定于问题的。

通常，我们将遗传算法与本地搜索混合在一起——就像模因算法一样。在这种情况下，人们可能会选择使用拉马克模型或鲍德温模型来决定如何处理本地搜索后生成的个体。

拉马克模型

拉马克模型本质上是说，一个人在一生中获得的特征可以遗传给其后代。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播。然而，从计算的角度来看，已经表明采用拉马克模型可以为某些问题提供良好的结果。

在拉马克模型中，局部搜索算子检查邻域（获得新的性状），如果找到更好的染色体，它就会成为后代。

鲍德温模型是一种以詹姆斯·马克·鲍德温（James Mark Baldwin，1896）命名的中间思想。在鲍德温模型中，染色体可以编码学习有益Behave的倾向。这意味着，与拉马克模型不同，我们不会将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获得的特征。

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

在这个鲍德温模型中，局部搜索算子检查邻域（获得新的性状），如果找到更好的染色体，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。适应度的变化意味着染色体“获得性状”的能力，尽管它不会直接传递给后代。