可演化性（计算机科学）

可演化性一词用于LeslieValiant在其同名论文中介绍的一个最新的计算学习框架，并在下文中描述。这个理论的目的是对生物进化进行建模，并对哪些类型的机制是可进化的进行分类。进化是PAC学习和统计查询学习的一个延伸。

让{displaystyleR_{n}}是在一个叫"R_{n}}"的函数上的集合。{displaystylen,}上的函数集合。变量的集合。给定一个理想函数{displaystylefinF_{n}}，目标是通过局部搜索找到一个代表。的理想函数，我们的目标是通过局部搜索找到一个代表{displaystylerinR_{n}}，目标是通过局部搜索找到一个代表r∈Rn的表示，该表示近似于正如生物界的情况一样，基因型和表现型之间存在着差异。一般来说，可以有多种表现形式（基因型）对应于同一功能（表型）。也就是说，对于某些.然而，情况不一定是这样的。那么，我们的目标是找到一个与理想函数的表型密切匹配的表示，而局部搜索的精神是只允许基因型的微小变化。让邻域{displaystyler,}是表示r的可能变异的集合。的可能变异的集合。一般来说，对于非布尔函数，性能不会直接对应于函数一致的概率，尽管会有一些关系。

在生物体的整个生命过程中，它只会经历有限的环境，所以它的性能不能被准确确定。经验性能的定义是{displaystyleoperatorname{Mut}(f,r,s,t)}是一个定义如下的随机变量。是一个随机变量，定义如下。每个{displaystyler'inN(r)}都被划分为有益的、中性的或无害的。根据其经验表现，被划分为有益、中性或有害。具体来说。{displaystyleoperatorname{Mut}(f,r,s,t)}是随机的。等于随机的其中一个。如果没有有益的突变，那么{displaystyleoperatorname{Mut}(f,r,s,t)}等于随机中性突变。等于一个随机的中性突变。考虑到与生物学的相似性。本身就需要作为一个突变来使用，所以总是会有至少一个中性突变。这个定义的意图是，在进化的每个阶段，当前基因组的所有可能的突变都在环境中进行测试