遗传算法是一种基于进化原理的优化过程。在新兴的依靠协同的多智能体系统中，复杂智能行为可源于大量简单智能系统的相互作用，根据进化控制论，在元系统跃迁过程中智能能从更简单的反应行为产生，而遗传算法是其中的一种进化方法。此外，在沃尔夫勒姆关于人工智能能否解决科学问题的探讨中，提到它不是我们通常定义的“人工智能”，而更像是“遗传算法”，且在高维规则空间中往往比低维规则空间工作得更好。在 AIGC Weekly #25 中，DZone 编辑团队介绍的人工智能术语中也包含了遗传算法。
新兴的、依靠协同的多智能体系统（multi-agent），它基于这样一个事实，即复杂的智能行为可以来自大量简单智能系统的相互作用。根据进化控制论，在元系统跃迁的过程中，智能可以从更简单的反应行为中产生。进化方法或遗传算法（genetic algorithm），是一种基于进化原理的优化过程。[1]译者注：元系统跃迁，[Metasystem Transition](https://en.wikipedia.org/wiki/Metasystem_transition)，是指通过演化涌现出更高层次的组织或者控制。我们将在课程的后续部分考虑这些方法，但现在我们将重点关注自上而下、自下而上两个主要方向。
This isn’t “AI” as we’ve operationally defined it here(it’s more like a “genetic algorithm”)—though it is a bit like the inner training loop of a neural net.But will it work?Well,that depends on the structure of the rule space —and,as one sees in machine learning —it tends to work better in higher-dimensional rule spaces than lower-dimensional ones.Because with more dimensions there’s less chance one will get “stuck in a local minimum”,unable to find one’s way out to a “better rule”.这不是我们在这里定义的“人工智能”（它更像是“遗传算法”）——尽管它有点像神经网络的内部训练循环。但这会起作用吗？嗯，这取决于规则空间的结构——正如人们在机器学习中看到的那样——它在高维规则空间中往往比在低维规则空间中工作得更好。因为维度越多，“陷入局部最小值”、无法找到“更好规则”的出路的可能性就越小。
人工智能术语越来越多，难以理解。DZone编辑团队为读者定义了人工智能世界中的一些重要术语，如算法、人工神经网络、聚类分析、决策树等。此外，还介绍了决策树、遗传算法、启发式搜索技术等高级术语。