1. 来龙去脉
在什么情况下，存在什么问题，遗传规划是从什么样的视角来解决问题的？（整体介绍，通常10分钟左右）
1.1. 什么是进化算法
进化算法，又称演化算法 ，是一个算法集合，包括遗传算法、遗传规划、进化策略和进化规划4种典型方法。进化算法借鉴了进化生物学的遗传、突变、自然选择以及杂交等现象，利用“优胜劣汰”，来处理最优化问题。
由于遗传算法、进化规划和进化策略是不同领域的研究人员分别独立提出的，在相当长的时期里相互之间没有正式沟通。直到90年代，才有所交流。
他们发现彼此的基本思想具有惊人的相似之处，于是提出将这类方法统称为“进化计算” ( Evolutionary Computation ) 。
1.2. 什么是遗传规划
遗传规划，又称遗传编程，是进化算法的一个分支，与遗传算法中每个个体是一段染色体编码不同，它的个体是一个计算机程序。
首先利用计算机随机生成的千百万个程序，然后根据一个程序完成给定的任务的能力来确定某个程序的适合度，应用达尔文的自然选择（适者生存）确定胜出的程序，计算机程序间也模拟两性组合，变异，基因复制，基因删除等代代进化，直到达到预先确定的某个中止条件为止。
1.3. 遗传规划与遗传算法的关系
遗传规划是遗传算法的改进算法。
遗传算法使用字符串作为染色体去表达所研究的问题，而且字符串的长度常常是固定的。然而，现实中的问题往往很复杂，有时不能用简单的字符串表达问题的所有性质，于是就产生了遗传规划。遗传规划用广义的计算机形式表达问题，它的结构和大小都是可以变化的，从而可以更灵活地表达复杂的事物性质，更有利于算法收敛到全局最优解，同时也弥补了遗传算法在某些领域得不到有效应用的不足。
2. 主要内容
基本概念（最好举例说明）、遗传规划描述、遗传规划实例、遗传规划特点等。（细节介绍，通常20分钟左右）
3. 主要研究问题
利用文献法来总结各种问题的研究现状，把你阅读的文献（至少3篇）提前3天发到云盘中。（重点内容介绍，通常讲解20分钟左右）
a)编码问题：比如，在哪年由谁提出了怎样的编码方案？性能如何？主要特点是什么？主要用来解决哪些类问题等。
b)参数设置问题：比如，各种操作的参数选择方法等。
c)各种启发式实现方法：比如，有记忆的遗传规划等。
d)… …
4. 应用领域
利用文献法来总结遗传规划各种领域的应用现状，把你阅读的文献（至少3篇）提前3天发到云盘中. （重点内容介绍，通常讲解20分钟左右），比如，
a)在哪些领域的哪些方面应用了遗传规划？
b)为什么选用这个算法？具体如何实现的？
c)性能如何？存在怎样的问题？改进方向如何？
4.1. 进化算法应用
1、结构性优化。通常，工程技术的优化包括结构优化和参数优化。对于后者，人们已经成功地使用了许多方法，如运筹学、数理统计、有限元等数值计算。然而对于结构优化，还缺乏成熟、有效的方法。近年来，人们运用进化算法，成功解决了建筑框架结构、飞机结构设计、电网及管网等网络结构等结构型问题，充分显示进化算法在这一领域的广阔引用前景。
2、人工智能。进化算法继模糊数学、专家系统、人工神经网络之后，成为处理人工智能的又一个有力工具。许多研究工作者利用这种新技术，从事机器学习、自动程序设计、聚类分析、博弈对策等工作。在知识工程方面，进化算法发挥越来越重要的作用。
3、复杂问题的优化。当所要解决的问题具有非线性、多峰值、不确定性时，使用传统的优化方法常常不能奏效。进化算法由于是一种黑箱式的框架型技术，不要求有明确的因果关系数学表达式，因此它是解决这类问题的有力工具，可以解决诸如液体流动、气候变化以及军事战略等非线性动态系统问题。
4、复杂系统分析。多年来，人们应用进化算法从事聚类分析、模式识别、图像处理、调度组织等工作，将表面上杂乱无章的复杂事物条理化。对于这类复杂系统的分析和归纳，进化算法具有很大的引用价值。
5、综合应用。随着科学技术的发展，各种学科不断交叉渗透，相互促进。同样，进化算法也要和其他技术手段相结合，各自发挥特长，综合解决问题。例如，人们已将遗传算法和人工神经网络相结合，成功地解决了机器学习等问题。
由于进化算法具有广阔的应用范围，我们无法一一列举具体的应用领域，只能概括地指明应用方向。随着时间的推移，它的应用范围还会不断扩大。
4.2. 遗传算法应用
1、函数优化
是遗传算法的经典应用领域;
2、组合优化
实践证明，遗传算法对于组合优化中的NP完全问题非常有效;
3、自动控制
如基于遗传算法的模糊控制器优化设计、基于遗传算法的参数辨识、利用遗传算法进行人工神经网络的结构优化设计和权值学习等;
4、机器人智能控制
遗传算法已经在移动机器人路径规划、关节机器人运动轨迹规划、机器人逆运动学求解、细胞机器人的结构优化和行动协调等;
5、组合图像处理和模式识别
目前已在图像恢复、图像边缘持征提取、几何形状识别等方面得到了应用;
6、人工生命
基于遗传算法的进化模型是研究人工生命现象的重要理论基础，遗传算法已在其进化模型、学习模型、行为模型等方面显示了初步的应用能力；
7、遗传程序设计
Koza发展了遗传程序设计的慨念，他使用了以LISP语言所表示的编码方法，基于对一种树型结构所进行的遗传操作自动生成计算机程序;
4.3. 选用和实现
1、为什么选用遗传规划？
为了解决结构性优化问题等传统方法解决不了的问题。
2、实现的例子
以曲线拟合为例，说明遗传规划的基本原理。图1-5的曲线表示实验的结果，现在要确定实验结果的的函数关系y=f(x)。
遗传规划的工作原理大致如下：
（1）选择初始结构。采用随机产生的方法，假设y=f(x)的表达式有下述四种：
$$1) y = A + Bx$$
$$2) y = A + Bx + Cx^2$$
$$3) y = xsinx$$
$$4) y = Dxsinx$$
（2）计算适应度。将不同的$x_i$带入四种初始表达式中，从而得出一组不同$y_j$，将计算所得的$y_j$与实验数据$y_i$相比较，可以衡量初始表达式的优劣。假设第3种表达式最佳，第1种表达式最差。
（3）复制。根据优胜劣汰的原则，复制效果最佳的第3种表达式，淘汰效果最差的第1种表达式，于是，新一代的表达式由下述方程组成：
$$1) y = xsinx$$
$$2) y = A + Bx + Cx^2$$
$$3) y = xsinx$$
$$4) y = Dxsinx$$
（4）交换。为了产生新的表达式，需要使用交换。采用随机选择的方法，假设第2、3种表达式进行交换，交换位置在第一项，则新的表达式为：
$$1) y = xsinx$$
$$2) y = x + Bx + Cx^2$$
$$3) y = Asinx$$
$$4) y = Dxsinx$$
（5）突变。在遗传规划中也可以采用突变产生新个体。例如，将表达式中的$sinx$变为$cosx$，不过，遗传规划中的突变远不及在遗传算法中那样重要。
上述（2）~（5）反复执行，使函数表达式y=f(x)不断变化，逐步得到所要求的表达式。
4.4. 性能、问题和改进
1、性能
没有找到具体性能评估数据，猜测是用时间和适应度两方面进行衡量。
2、问题
（1）求解的是一个描述问题的程序（或者说是一个算法）。
（2）通常用树型结构来表示，描述相对复杂。
（3）每一代的个体的长度（深度）一般是不同的，即使在同一代中的个体之间的长度（深度）也是不同的。
（4）所消耗的资源是不可控的（这里所指的不可控是指不能精确的描述），需要消耗大量的内存空间，因而每一代的进化都比较慢。
3、改进
（1）确定初始群体规模的方法的改进。
（2）编码技术和程序表达技术的改进。
（3）复制、交换、突变等遗传操作的改进。
（4）适应度的表达和计算的改进。
（5）寻求其他有效的遗传算子，防止近缘杂交、过早收敛等弊病。
