평균 필드 유형 진화 계산 기술의 기원은 유전 형 돌연변이 선택 학습 기계 [18]와 고급 연구소에서 닐스 알 바리첼리에 의해 기사에 앨런 튜링의 정액 작업과 1950 년과 1954 년까지 추적 할 수 있습니다 프린스턴, 뉴저지에서 공부. [19] [20] 통계 적 방법론에서 입자 필터의 첫 번째 추적은 50 년대 중반으로 거슬러 올라갑니다. `가난한 사람의 몬테 카를로`,[21] 해머슬리 등 에서 제안 된, 1954 년, 오늘날 사용되는 유전 유형 입자 필터링 방법의 힌트를 포함. 1963년, 닐스 알 바리첼리는 개인이 간단한 게임을 할 수 있는 능력을 모방하는 유전자 유형 알고리즘을 시뮬레이션했습니다. [22] 진화 적 컴퓨팅 문헌에서, 유전 형 돌연변이 선택 알고리즘은 1970 년대 초에 존 홀런드의 정액 작업을 통해 인기를 끌었다, 특히 그의 책 [23] 1975 년에 출판. 통계 및 확률 관점에서 파티클 필터는 분기/유전 유형 알고리즘의 클래스와 파티클 방법론을 상호 작용하는 평균 필드 유형에 속합니다. 이러한 입자 방법의 해석은 과학적 규율에 따라 달라집니다. 진화 컴퓨팅에서 평균 필드 유전 형 입자 방법론은 종종 추론 및 자연 검색 알고리즘 (일명 메타휴스틱)으로 사용됩니다. 전산 물리학 및 분자 화학에서 Feynman-Kac 경로 통합 문제를 해결하는 데 사용되거나 Boltzmann-Gibbs 측정값, 최고 고유 값 및 슈뢰딩거 운영자의 접지 상태를 계산합니다. 생물학과 유전학에서 그(것)들은 또한 어떤 환경에서 개별 또는 유전자의 인구의 진화를 나타냅니다. 파티클 필터의 목적은 관측 변수를 고려하여 상태 변수의 후방 밀도를 추정하는 것입니다. 파티클 필터는 시스템이 숨겨진 변수와 관찰 가능한 변수로 구성된 숨겨진 Markov 모델을 위해 설계되었습니다.

관찰 가능한 변수(관측 프로세스)는 알려진 일부 기능 적 형태에 의해 숨겨진 변수(state-process)와 관련이 있습니다. 마찬가지로 상태 변수의 진화를 설명하는 동적 시스템은 또한 알바비리스트로 알려져 있다. X k {displaystyle X_{k}}의 모든 베이지안 추정값은 후방 밀도 p(xk | y0,y1,…,yk)에서 따릅니다. 입자 필터 방법론은 유전형 입자 알고리즘과 관련된 경험적 측정을 사용하여 이러한 조건부 확률의 근사치를 제공합니다. 대조적으로, MCMC 또는 중요도 샘플링 접근법은 전체 후방 p(x0,x1,…,xk | y0,y0,y1,…,yk)를 모델링할 것이다. 필터링 문제는 관찰 프로세스 Y 0 , Y k , {displaystyle Y_{0}, cdots, Y_{k}, 언제든지 k에서 숨겨진 상태의 값을 순차적으로 추정하는 것입니다. 잘못된 초기 조건을 수정한다는 의미에서 필터링 방정식이 안정적이라고 가정합니다. 1950년부터 1996년까지, 전산 물리학 및 분자 화학에 도입된 전정 및 리샘플링 몬테 카를로 방법을 포함한 입자 필터, 유전 알고리즘에 대한 모든 간행물은 현재 자연 및 휴리스틱과 같은 알고리즘을 적용하여 일관성에 대한 단일 증거없이 다른 상황, 또는 추정의 편견과 계보와 조상 나무 기반 알고리즘에 대한 토론. 고급 신호 처리 및 베이지안 추론에서 유전 입자 알고리즘의 사용은 더 최근의 것입니다.

그것은 1993 년에, 그 고든 외, 그들의 정액 작품에 발표[31] 베이지안 통계 추론에서 유전 형 알고리즘의 첫 번째 응용 프로그램.