達爾文的進化論用模型敘述就是一個遺傳過程，首先是按照個體素質的優劣進行非均勻抽樣，然後再進行隨機配對交叉，最後再經歷一次遺傳變異。這個數學模型在今天的優化問題中廣為采納，名曰：遺傳算法。

某老師似乎格外青睞這個来自生物界的計算方法，不論什麽模拟试验就说，用遗传算法做吧。其实遺傳算法執行起來是很方便的；不過收斂速度實在是很慢。最近做一個830維化學變量的降維，想嘗試一下遺傳算法的威力；結果果不其然，從下午到現在一共遺傳了30000多代，也沒有出一個所以然來。不過也可能是我的計算機太慢了。如果做所有子集回歸的話，一共要算36288748080758658160676個模型，實在是不可想象；即便是遺傳算法加速100倍，也得计算3.6E22个模型，遗传3.6E20代。按照我的CPU，估计明年此时也不能完成了。

想想也不奇怪，在纯随机的选择更新之下，自然界中物种进化也不过如此，一下午繁衍的30000代，放在自然界中也有600000年了吧，60万年前的生物和今天又能有多大差别呢。但是现代CPU能把60万年的事情放在一个下午实现，实在是伟大的事情。

自然界中也有加速進化的方法，就是基因工程，工程師細緻的研究基因之間的規律破解進化的密碼。這就好比是優化問題中的最速下降法，你得事先了解目標函數的形式，才能明確每一步的迭代方向。這是專家才能完成的任務。能用最速下降法做的問題總是有限的，就像自然界中我們破解密碼的物種也只是滄海一粟一樣。科技的進步，還有漫長的路要走。