拿一个机器人，我们希望它能够从一个充满随机孔的 4x4 矩阵的右下角移动到左上角，它应该避免。用 1 表示孔，它可能看起来像：

exit
\/
[0,0,0,1]
[0,1,1,0]
[0,1,1,1]
[0,0,0,0]
      /\ 
      enter

当我们希望它从一开始就到达出口时，我们有一个自然的适应度函数：以最少的移动次数接近出口。

解决这个问题的遗传编程方法是创建随机计算机程序（链接的第二章很好地介绍了这个过程的树状性质）并让它们松动。这些策略中的绝大多数将/非常糟糕，例如“向右走一次”或“向左走十次”。

假设我们在第一次运行时制作了 100 个随机程序。我们首先根据我们的适应度函数（表现最好的随机程序）对他们的表现进行评分。我们取其中的一部分来生存并摆脱其余的，比如说 10% 生存。

我们将这些幸存的 10% 表现最好的程序，并通过再次随机修改它们来为下一代创建新程序，但不是完全修改。假设我们随机修改了它们的一半结构，而将另一半保留下来，不管我们想要下一代多少。我们现在让这一代再次松动，再次排名、得分、获得前 10% 并从中培育出新一代，依此类推，持续 n 代。

在这种情况下，如果我们说让网格保持原样，程序通常会提出一个大致类似于“向左 x4，向上 x4) 的规则，因为它以最简单的方式解决了这个问题，但如果我们说，在这个进化过程中不断随机化 1 在网格中的位置，我们将强制程序提出更通用的规则，例如检查它可以移动 1 的单元格，而不是移动到任何包含 1 的空间等。

因此，我们可以构建一个具有灵活策略的程序，能够在孔的数量/配置方面为我们的机器人应对不同的环境——这比必须为每个配置都进行编程要有用得多。

就像常规进化一样，经过数百万次试验，对表现最好的人进行轻微修改，这些程序变得非常专业和高性能，能够解决高度复杂的游戏、具有高度复杂特征的路径等。