遗传算法是一种基于生物进化的算法，关于自然如何进化。它正是这样做的，改进算法，以便“它”找到手头问题的最佳解决方案。您可以使用遗传算法为您不知道答案的问题找到解决方案，您知道答案但想知道不同的答案，或者您只是懒惰。遗传算法的常见步骤是：

1. 生成随机元素群
2. 评估每个元素的适合度（它们对解决方案的效果如何）
3. 为下一代取最好的元素
4. 使用上述元素生成子元素
5. 变异（随机）每个孩子。这也可以在第 4 步之前与父母一起完成。
6. 从步骤 2 重复 n 代，直到找到解决方案，达到最大代数或适应度不再变化（局部最小值）。

GA 的两个基本问题：

• 陷入局部最小值（或局部最大值，取决于观点）。这意味着您可能会找到一个好的答案（甚至不是一个好的答案），但它永远不会达到最佳答案，因为适应度值没有改变或没有变得更好。这是在第 5 步中使用 Mutation 进行的，以保持种群的多样性，因此不会卡住。
• 它们通常比其他方法慢。

如果可以的话，看看这本书。它不是免费的，但值得一看。或者，免费查看这本在线书籍，这是一个很好的来源，而且他有自己的 youtube 频道。它比我推荐的另一本书更基础，但会帮助你开始使用 GA。

要回答您问题的另一部分，应该使用 GA 来查找模型，但不会充当模型。例如，如果您有一个神经网络，您可以使用反向传播方法对其进行训练，但您也可以使用 GA 对其进行训练。GA 不会使用任何反向传播数学，它可用于在其神经元中生成权重，并评估答案（最后一层）。权重将演变为更接近解决方案。在这种情况下，模型仍然是 NN，但您使用了不同的算法来找到最佳 NN。

希望这可以帮助。

对于你提到的机器学习算法，回归和神经网络是在优化框架中制定的，而基于树的方法是基于信息增益的。

遗传算法（GA）是一种局部搜索方法。给定解决方案空间中的值，它将变异以创建多个候选者。将使用一个标准来评估每个候选者，并且只保留少数最好的候选者以进行进一步的突变。如果有足够的迭代，通常可以证明 GA 可以收敛到最佳解决方案。但是，实际上是不可行的。更多讨论可以在这里找到

至于集成学习，它指的是多个模型的（加权）投票。有两种正常的方式，bagging 或 boosting。

遗传算法是 1960 年由密歇根大学的 John Holland 发明的最流行的进化计算方法之一，但直到 90 年代才流行起来。它们的主要目的是用于解决确定性算法成本过高的问题。

遗传算法属于元启发式算法，它是高级搜索策略，独立于问题，可以应用于广泛的问题。这些算法与机器学习方法有很大不同，主要用于解决科学和工程中的优化问题。然而，遗传算法的应用将不限于优化。

将机器学习结合到遗传算法中是旨在提高遗传算法性能的常见做法。

在机器学习领域，当您寻求在多项式时间内计算出最优值时，由于其敏捷和强大的搜索能力，遗传算法始终是一个可行的选择。因此，遗传算法可以用作机器学习中的计算工具。

如果我的答案足够清楚，请告诉我。