Эволюционные стратегии были предложены в 1970-х гг. в качестве стохастического метода нахождения глобального минимума функций многих переменных суть которого состоит в следующем.

Из случайных векторов решения задачи мно­гокритериальной оптимизации— размерность пространства параметров оптимизации, формируется на­чальная популяция объектов эволюции, над которыми выполня­ются следующие действия.

  1. Из решений х формируются новые объекты — потомки путем сложения каждой компоненты  со случайной переменной  имеющей нормальный закон распределения с нулевым математическим ожиданием.
  2. Вычисляются значения целевой функции  и осуществляется выбор наилучшего (минимального) решения, ко­торое отбирается в новую популяцию.
  3. Процесс продолжается до тех пор, пока не будет достигну­ то приемлемое решение.

Каждый объект в популяции характеризуется двумя вектора­ми — вектором решения и случайным вектором, модифицирую­щим это решение. Случайный вектор характеризуется вектором дисперсии, который хранится в процессе поиска, и может быть дополнен корректирующим вектором, ускоряющим сходимость алгоритма. Значение  моделирует величину шага изменения па­раметров, выбираемую случайным образом. В общем случае  может принимать любые значения, однако в схеме моделирова­ния эволюционных механизмов величина  отражает интенсив­ность мутаций «родителя» и поэтому не слишком велика.

Сово­купность полученных точек составляет очередное поколение ре­шений, которые оцениваются по значениям минимизируемой функции F(X). В результате отбора одни особи гибнут, а другие живут и размножаются. Эту простую схему легко усовершенство­вать, вводя по аналогии с естественными закономерностями за­висимость числа порождаемых потомков от значений функций ценности «родителей». Соответствующие эволюционные страте­гии поиска известны и широко используются на практике. Попу­ляции можно формировать следующими способами:
  • родителей порождают потомков, все решения борются за выживание и лучшие  объектов отбираются в следующую по­пуляцию;
  • время жизни объекта ограничено одной генерацией, т.е. родителей, произведя  потомков, погибают. За место в следую­ щей популяции соревнуются только  потомков, причем в дан­ ном способе должно выполняться условие(рекомендуемое соотношение Такой подход применим к задачам с изме­няющимся оптимумом и с зашумленными данными.

В эволюционных стратегиях используется оператор рекомби­нации (в эволюционном программировании, в отличие от эволю­ционных стратегий, рекомбинация не применяется), который аналогичен скрещиванию в генетических алгоритмах. При этом компоненты вектора «потомка» создаются из компонент векто­ров решений двух «родителей». Это можно сделать разными спо­собами, например:

  • компоненты вектора потомка выбираются случайным обра­зом из векторов родителей;
  • компоненты вектора потомка получаются как средние арифметические значения компонент обоих родителей, а затем к полученному потомку применяется оператор мутации.

В эволюционных стратегиях иногда применяется глобальная рекомбинация, при которой компоненты вектора каждого потом­ка случайным образом выбираются из векторов всей популяции родителей.

Следует отметить, что моделирование естественных процес­сов развития, в том числе и эволюции, было и остается одним из самых перспективных научных направлений.

Кроме описанных методов эволюционных вычислений, на основе естественных аналогий придуманы нейронные сети, предложены методы эво­люционного синтеза систем и методы эволюционно­го проектирования технических объектов. Особенностью подхо­дов, базирующихся на эволюционных аналогиях, является кон­траст между достаточно простым математическим аппаратом (по сравнению с другими методами) и впечатляющими результатами в области решения слабоструктурированных и плохо обусловлен­ных проблем.

Великий Гёте назвал природу «творцом всех творцов», поэто­му разработчикам ИИС еще предстоит очень многому у нее на­учиться.