您目前的第一篇经典论文使用了遗传算法（GA），而您提到了遗传编程（GP）。简而言之，GA 使用进化过程来进化固定长度的向量，通常是位串，而 GP 进化可变长度的决策树，它可以是计算机程序或数学函数。

自动编码器是自动编码或解码某些东西的东西。例如，噪声图像被解码为原始图像（我知道非常简化），这里的重点是自动，因此，无需任何定义的过程，自动编码器就可以“学习”如何从图像中去除噪声。

通常，自动编码器是使用神经网络 (NN) 制成的。噪声图像作为输入读入，输出是清晰的图像。为了训练 NN，使用了反向传播。为了使反向传播工作，需要一个错误来计算权重变化。或者，可以将权重编码为向量。然后使用 GA 演化一个固定长度的向量来演化 NN 的权重。这就是提到的“经典论文”所做的。

使用 GA 来演化 NN 的权重并不是很有效，因为权重会相互影响，这意味着每次发生交叉时权重都会完全混乱，并且 GA 很容易陷入局部最优。梯度下降可能更有效。

多层网络的结构很重要。在这里，梯度下降仍然用于更新权重，但可以使用 GP 来进化 NN 的结构。

或者，GP 本身可用于在不使用 NN 的情况下进化自编码器。在这里，染色体将包含诸如数学运算或计算机代码之类的节点，这些节点会改变输入以产生输出。