En ES las personas se codifican como vectores de números reales. En la reproducción, los padres son seleccionados al azar y los hijos más aptos son seleccionados e insertados en la próxima generación. Los individuos ES se autoadaptan. El tamaño del paso o la fuerza de la mutación se codifica en el individuo, de modo que los buenos parámetros llegan a la siguiente generación seleccionando individuos buenos.
En GA las personas se codifican como enteros. La selección se hace seleccionando padres de forma proporcional a su estado físico. Entonces las personas deben ser evaluadas antes de que se realice la primera selección. Los operadores genéticos trabajan en el nivel de bits (por ejemplo, cortar una cadena de bits en varias piezas e intercambiarlas con las piezas del otro elemento primario o cambiar bits individuales).
Esa es la teoría. En la práctica, a veces es difícil distinguir entre ambos algoritmos evolutivos, y usted necesita crear algoritmos híbridos (por ejemplo, enteros (cadenas de bits) individuos que codifican los parámetros de los operadores genéticos).
Creo que la respuesta es un poco demasiado general, teniendo en cuenta que la representación genética GA estándar y original no es enteros, sino una cadena de bits binarios de 1s y 0s. Además, la selección no está limitada a la selección Proporcional de Fitness, hay muchas otras como Torneo ... para evitar confusiones, tal vez la respuesta debería haber sido reformulada de forma ligeramente diferente en lugar de inferir que un GA debe tener esto y aquello ... etc. – chutsu
Creo es una gran introducción a las diferencias. ¿Cuál es el problema de llamar a la representación un conjunto de números enteros?A nivel de software, así es exactamente como son procesados por el algoritmo y ayuda a visualizarlos como algo similar al código genético. El consejo general es no manejar la representación como una cadena de todos modos, al menos así fue como me entrenaron. – Adam893
¿Podría por favor dar un ejemplo donde ES y donde generalmente se aplica GA? –