遗传算法用于解决许多优化任务。
如果我有一个数据集，我可以使用遗传算法对其进行进化以创建同一数据集的进化版本吗？
我们可以将初始数据集的每个特征视为一条染色体（或个体），然后将其与其他染色体（特征）结合以找到更多特征。这可能吗？这已经完成了吗？
我想用一个例子来编辑细节，这样更容易理解。
示例：在实践中，网络安全攻击随着时间的推移而演变，因为它找到了一种破坏系统的新方法。入侵检测模型的主要缺点是每次攻击演变时都需要对其进行训练。因此，我希望遗传算法是否可以在当前的基准数据集（如 NSL-KDD）上使用，以便在 X 代之后得出一个未来类型的数据集。并检查模型是否也能够对生成的数据集进行分类。
这个问题引发了更多的问题。这似乎是寻找问题的解决方案，而不是相反。
如果你想计算一组新的特征来“更好地”描述给定的数据集，有很多方法可以解决这个问题，例如 PCA、ISOMAP、自组织地图……如果这是你想要的那种东西考虑一下，我建议从那里开始。
Henry Wilde 等人的论文进化数据集优化：通过进化学习算法质量(2019) 提出了一种使用遗传算法生成数据集的方法。他们的目标是生成特定算法在特定指标方面表现良好的数据，以便更深入地了解该算法及其表现良好的原因。人口中的个体是数据集（所以不是数据集的特征！），可以与交叉算子组合或变异。详细信息在第 2 节（第 4 页）中进行了解释，它们还提供了总结其描述的漂亮图表。
作者评估了他们在 k-means 上的方法（第 3 节，第 12 页），他们使用 k-means 目标函数作为遗传算法的适应度函数。
他们还开发了一个免费提供的图书馆edo，因此您可以开始使用他们的方法。