# Budowa algorytmu ewolucyjnego: reprezentacja, operatory, parametry EN: **Designing an evolutionary algorithm: representation, operators and parameters** · id `evodesign` · aliases: EA design, evolutionary algorithm components, genetic operators, operatory genetyczne, projektowanie algorytmu ewolucyjnego Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Obliczenia ewolucyjne i inteligencja roju](https://aiatlasgraph.com/t/evolutionary.md) › Budowa algorytmu ewolucyjnego: reprezentacja, operatory, parametry ## Description - PL: Komponenty algorytmu ewolucyjnego: reprezentacja, inicjalizacja, selekcja rodziców i przeżycia, operatory zmienności, obsługa ograniczeń, sterowanie parametrami i rzetelne porównania. - EN: Components of an evolutionary algorithm: representation, initialisation, parent and survivor selection, variation operators, constraint handling, parameter control and sound comparison. ## In one sentence - PL: Zestaw klocków, z których składa się każdy algorytm ewolucyjny: jak zapisać rozwiązanie, kogo wybrać na rodzica i jak tworzyć potomstwo. - EN: The building blocks of every evolutionary algorithm: how to write down a solution, whom to pick as parents and how to make offspring. ## Problem it solves - PL: Gotowy algorytm z biblioteki często nie pasuje do problemu, a zmiana jednej części potrafi zepsuć całe przeszukiwanie. - EN: An off-the-shelf algorithm often does not fit the problem, and changing one part can break the whole search. ## What it does - PL: Działa jak przepis kucharski rozpisany na etapy: wymieniasz jeden składnik, a resztę zostawiasz, i widzisz, co zmieniło smak. - EN: It works like a recipe split into steps: you swap one ingredient, keep the rest, and see what changed the taste. ## Everyday example - PL: Planista tras dostaw zamienia losową mutację na zamianę dwóch przystanków miejscami i nagle dostaje krótsze trasy w tym samym czasie. - EN: A delivery route planner replaces random mutation with swapping two stops and suddenly gets shorter routes in the same time. ## This concerns you if you… - PL: piszesz własny algorytm ewolucyjny od zera - PL: gotowy solver utyka na twoim problemie - PL: chcesz rozumieć, co robią ustawienia w bibliotece - EN: are writing your own evolutionary algorithm from scratch - EN: an off-the-shelf solver gets stuck on your problem - EN: want to understand what library settings actually do ## Keywords DEAP · pymoo · EvoTorch · evosax · Nevergrad · tournament selection · SBX crossover · polynomial mutation · elitism · steady-state GA · penalty function · self-adaptation · irace · COCO BBOB ## How it works - PL: Algorytm ewolucyjny to pętla: inicjalizuj populację, oceń przystosowanie, wybierz rodziców, utwórz potomstwo krzyżowaniem i mutacją, wybierz, kto przeżyje, powtórz do kryterium stopu. Każdy krok jest wymiennym modułem, a dobór modułów do reprezentacji problemu decyduje o równowadze eksploracji i eksploatacji. - EN: An evolutionary algorithm is a loop: initialise a population, evaluate fitness, select parents, create offspring by recombination and mutation, select survivors, repeat until a stopping criterion. Each step is a swappable module, and matching modules to the problem representation sets the balance between exploration and exploitation. ## Limits - PL: Brak uniwersalnie najlepszej konfiguracji: dobre operatory zależą od problemu, a wiele komponentów oddziałuje ze sobą. Strojenie kosztuje dużo ocen funkcji celu, a wnioski z jednego benchmarku słabo się przenoszą. - EN: There is no universally best configuration: good operators depend on the problem and many components interact. Tuning costs many objective evaluations, and conclusions from one benchmark transfer poorly. ## Key terms - PL: **przystosowanie (fitness)**: Liczba mówiąca, jak dobre jest rozwiązanie według celu. - PL: **eksploracja vs eksploatacja**: Szukanie w nowych miejscach kontra dopracowywanie obiecujących. - PL: **operator zmienności**: Reguła tworząca nowe rozwiązania z istniejących: krzyżowanie lub mutacja. - EN: **fitness**: A number saying how good a solution is with respect to the goal. - EN: **exploration vs exploitation**: Searching new regions versus refining promising ones. - EN: **variation operator**: A rule creating new solutions from existing ones: crossover or mutation. ## Know first - [Spadek gradientu i optymalizacja ciągła (Gradient descent and continuous optimisation)](https://aiatlasgraph.com/t/mathoptimization.md) ## Subtopics (8 direct, 9 in total) - [Krzyżowanie: łączenie cech dwóch rodziców (Crossover (recombination) operators)](https://aiatlasgraph.com/t/evocrossover.md): Recombination operators building offspring from several parents' material, chosen to fit the representation: binary, real-valued or permutation. - [Mutacja: drobne losowe zmiany rozwiązania (Mutation operators)](https://aiatlasgraph.com/t/evomutation.md): Unary variation operators adding random perturbations to an individual; they provide exploration and reachability of the whole space. - [Nisze i utrzymywanie różnorodności populacji (Niching and diversity preservation)](https://aiatlasgraph.com/t/niching.md): Diversity-preserving techniques that let population-based metaheuristics locate multiple optima of a multimodal function in a single run. - [Obsługa ograniczeń w algorytmach ewolucyjnych (kary, naprawa) (Constraint handling in evolutionary algorithms)](https://aiatlasgraph.com/t/constrainthandling.md): Techniques for steering evolutionary search in constrained spaces: penalties, repair, feasibility rules, special operators and multi-objective formulations. - [Reprezentacja osobnika (kodowanie binarne, liczbowe, permutacje, drzewa) (Solution representation in evolutionary algorithms)](https://aiatlasgraph.com/t/evorepresentation.md): The genotype–phenotype mapping: choosing a data structure for candidates that defines the search space and admissible operators. - [Rzetelne porównywanie algorytmów optymalizacji (benchmarki) (Benchmarking evolutionary and black-box optimisers)](https://aiatlasgraph.com/t/evobenchmarking.md): Methodology for comparing black-box optimisers: standardised function suites, evaluation budgets, time-to-target measures and statistical tests. - [Krytyka „nowych” metaheurystyk opartych na metaforach (Critique of metaphor-based metaheuristics)](https://aiatlasgraph.com/t/metaphorcritique.md): A methodological strand showing many metaphor-based metaheuristics are renamed known techniques, and calling for description in standard optimisation terms. - [Selekcja rodziców i przeżycia (turniej, ruletka, elitaryzm) (Parent and survivor selection (tournament, roulette, elitism))](https://aiatlasgraph.com/t/evoselection.md): Mechanisms for choosing parents and survivors that control selection pressure: proportional, rank-based and tournament, plus replacement strategies and elitism. - [Strojenie i samoadaptacja parametrów algorytmu ewolucyjnego (Parameter tuning and control in evolutionary algorithms)](https://aiatlasgraph.com/t/parametercontrol.md): Parameter tuning (static choice before a run) and parameter control (deterministic, adaptive or self-adaptive changes during a run). ## Sources - [Introduction to Evolutionary Computing (2nd ed.)]() `eiben-smith-2015` · by A. E. Eiben, J. E. Smith - [pymoo: Multi-objective Optimization in Python]() `pymoo-2020` · by Julian Blank, Kalyanmoy Deb --- AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/evodesign · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30