1) Inicjalizacja populacji kandydatów. 2) Ocena przystosowania (fitness) każdego osobnika względem celu. 3) Selekcja najlepszych. 4) Wytworzenie potomstwa przez mutację i krzyżowanie. 5) Powtarzanie pętli przez kolejne pokolenia, aż do zbieżności lub wyczerpania budżetu. Warianty różnią się reprezentacją (bity, wektory liczb rzeczywistych, drzewa programów, grafy) oraz strategią selekcji i utrzymywania różnorodności (np. archiwa linii rozwojowych).
Umożliwia optymalizację tam, gdzie brak jest użytecznego gradientu — funkcja celu jest czarną skrzynką, nieróżniczkowalna lub zaszumiona — oraz eksplorację dużych, dyskretnych przestrzeni rozwiązań bez utknięcia w pojedynczej trajektorii.
Pierwsze strategie ewolucyjne do optymalizacji inżynierskiej.
Sformalizowanie algorytmów genetycznych.
Ewolucja programów reprezentowanych jako drzewa.
ES jako skalowalna alternatywa dla gradientów w uczeniu ze wzmocnieniem.
Zastosowanie selekcji populacyjnej do doskonalenia agentów LLM przy zamrożonych wagach.
