2004年1月，飞利浦新显示技术公司(Philips New Display Technologies)联系了我，他们正在为有史以来第一款商业电子墨水——索尼Librie——制造电子产品。索尼Librie只在日本上市，比亚马逊Kindle和其他电子墨水在美国和欧洲上市早了好几年。

飞利浦的工程师遇到了一个大问题。在产品上市的几个月前，他们在换页面时仍然会出现重影。问题是产生静电场的200个驱动器。每个驱动器都有一个特定的电压，必须设置在0到1000mv之间。但如果你改变其中一个，就会改变一切。

因此，单独优化每个驱动器的电压是不可能的。可能的值组合的数量以数十亿计，一个特殊的相机大约需要1分钟来评估一个组合。工程师们尝试了许多标准的优化技术，但都没有达到预期的效果。

首席工程师联系了我，因为我之前已经向开源社区发布了一个遗传编程库。他问全科医生/全科医生是否会帮忙，以及我是否能参与其中。我这样做了，在大约一个月的时间里，我们一起工作，我在合成数据上编写和调整GA库，他则将其集成到他们的系统中。然后，有一个周末，他们让它和真人一起直播。

接下来的周一，我收到了他和他们的硬件设计师发来的溢美之词，说没人会相信GA发现的惊人结果。就是这样。同年晚些时候，该产品上市了。

我没有为此得到一分钱，但我有“吹嘘”的权利。他们从一开始就说他们已经超出预算了，所以我在开始工作之前就知道是什么交易。这对于气体的应用是一个很好的例子。：）

进化计算研究生班: 开发了TopCoder马拉松比赛49:megpartty的解决方案。我的小组正在测试不同的域表示法，以及不同的表示法如何影响ga找到正确答案的能力。我们为这个问题编写了自己的代码。

Neuroevolution and Generative and Developmental Systems, Graduate Class: Developed an Othello game board evaluator that was used in the min-max tree of a computer player. The player was set to evaluate one-deep into the game, and trained to play against a greedy computer player that considered corners of vital importance. The training player saw either 3 or 4 deep (I'll need to look at my config files to answer, and they're on a different computer). The goal of the experiment was to compare Novelty Search to traditional, fitness-based search in the Game Board Evaluation domain. Results were relatively inconclusive, unfortunately. While both the novelty search and fitness-based search methods came to a solution (showing that Novelty Search can be used in the Othello domain), it was possible to have a solution to this domain with no hidden nodes. Apparently I didn't create a sufficiently competent trainer if a linear solution was available (and it was possible to have a solution right out of the gates). I believe my implementation of Fitness-based search produced solutions more quickly than my implementation of Novelty search, this time. (this isn't always the case). Either way, I used ANJI, "Another NEAT Java Implementation" for the neural network code, with various modifications. The Othello game I wrote myself.

除了一些常见的问题，如《旅行推销员》和Roger Alsing的《蒙娜丽莎》程序的变体，我还编写了一个进化数独求解器(这需要我自己更多的原创想法，而不仅仅是重新实现别人的想法)。解决数独游戏有更可靠的算法，但进化方法效果相当好。

在过去的几天里，在Reddit上看到这篇文章后，我一直在玩一个进化程序来寻找扑克的“冷牌”。目前还不太令人满意，但我想我可以改进。

我有自己的进化算法框架。

我不知道家庭作业算不算…

在我学习期间，我们推出了自己的程序来解决旅行推销员问题。

我们的想法是对几个标准进行比较(映射问题的难度，性能等)，我们还使用了其他技术，如模拟退火。

它运行得很好，但我们花了一段时间来理解如何正确地进行“复制”阶段:将手头的问题建模成适合遗传编程的东西，这对我来说是最难的部分……

这是一门有趣的课程，因为我们也涉猎了神经网络之类的知识。

我想知道是否有人在“生产”代码中使用这种编程。

As part of my undergraduate CompSci degree, we were assigned the problem of finding optimal jvm flags for the Jikes research virtual machine. This was evaluated using the Dicappo benchmark suite which returns a time to the console. I wrote a distributed gentic alogirthm that switched these flags to improve the runtime of the benchmark suite, although it took days to run to compensate for hardware jitter affecting the results. The only problem was I didn't properly learn about the compiler theory (which was the intent of the assignment).

我本可以用现有的默认标志来播种初始种群，但有趣的是，算法发现了一个与O3优化级别非常相似的配置(但实际上在许多测试中更快)。

编辑:我还用Python写了我自己的遗传算法框架，只是使用popen命令来运行各种基准测试，尽管如果不是评估作业，我会看看pyEvolve。

我做了一个完整的GA框架，命名为“GALAB”，解决了很多问题:

定位GSM ANTs (BTS)以减少重叠和空白位置。 资源约束项目调度。 进化图景的创造。(Evopic) 旅行推销员问题。 n -皇后和n -颜色问题。 骑士之旅和背包问题。 魔方和数独谜题。 字符串压缩，基于超字符串问题。 二维包装问题。 微型人工生命APP。 鲁比克难题。