खैर, सांख्यिकीय पैटर्न मान्यता और डेटा खनन के अर्थ में मशीन सीखने निश्चित रूप से गर्म क्षेत्र हैं, लेकिन मैं यह नहीं कहूंगा कि विकासवादी एल्गोरिदम में अनुसंधान विशेष रूप से धीमा हो गया है। दो क्षेत्रों को आम तौर पर एक ही प्रकार की समस्याओं पर लागू नहीं किया जाता है। यह तुरंत स्पष्ट नहीं है कि एक डेटा संचालित दृष्टिकोण कैसे आपकी मदद करता है, उदाहरण के लिए, पता लगाएँ कि शेड्यूल वर्कर शिफ्ट या रूट पैकेज को अधिक कुशलता से कैसे करें।
इवोल्यूशनरी तरीके ज्यादातर पैटर्न मान्यता के बजाय कठिन अनुकूलन समस्याओं पर उपयोग किए जाते हैं। सबसे प्रत्यक्ष प्रतियोगी संचालन अनुसंधान दृष्टिकोण, मूल रूप से गणितीय प्रोग्रामिंग, और अन्य प्रकार के अनुमानी खोज जैसे कि टैबू खोज, सिम्युलेटेड एनेलिंग और दर्जनों अन्य एल्गोरिदम हैं जिन्हें सामूहिक रूप से "मेटाएहिस्ट्रिक्स" के रूप में जाना जाता है। विकासवादी संगणना (GECCO और CEC) पर दो बहुत बड़े वार्षिक सम्मेलन हैं, PPSN, EMO, FOGA, और इवोस्टार जैसे छोटे सम्मेलनों का एक समूह और कम से कम दो प्रमुख उच्च गुणवत्ता वाली पत्रिकाएं (IEEE लेन-देन पर विकासवादी संगणना और MIT प्रेस) जर्नल इवोल्यूशन कम्प्यूटेशन) के साथ-साथ कई छोटे भी शामिल हैं जो उनके व्यापक फोकस का ईसी हिस्सा शामिल हैं।
सभी ने कहा, "हॉटनेस" की किसी भी तुलना में "मशीन लर्निंग" के रूप में सोचा जाने वाले क्षेत्र के कई फायदे हैं। एक, यह बहुत मजबूत सैद्धांतिक जमीन पर होता है, जिसे गणितज्ञ हमेशा पसंद करते हैं। दो, हम डेटा के लिए एक स्वर्ण युग के कुछ में हैं, और अत्याधुनिक मशीन सीखने के बहुत सारे तरीके केवल तभी चमकना शुरू करते हैं, जब डेटा के टन और गणना शक्ति के टन दिए जाते हैं, और दोनों मामलों में, समय एक अर्थ में है "सही"।