L’apprentissage automatique dans le sens de la reconnaissance statistique de formes et de l’exploration de données sont des domaines plus chauds, mais je ne dirais pas que la recherche sur les algorithmes évolutifs a été particulièrement ralentie. Les deux domaines ne sont généralement pas appliqués aux mêmes types de problèmes. Par exemple, il est difficile de comprendre comment une approche basée sur les données vous aide à déterminer le meilleur moyen de planifier les quarts de travail ou d'acheminer les packages plus efficacement.
Les méthodes évolutives sont le plus souvent utilisées pour des problèmes d'optimisation difficiles plutôt que pour la reconnaissance de formes. Les concurrents les plus directs sont les approches de recherche opérationnelle, essentiellement la programmation mathématique, et d'autres formes de recherche heuristique comme la recherche taboue, le recuit simulé et des dizaines d'autres algorithmes connus sous le nom de "métaheuristiques". Il existe deux très grandes conférences annuelles sur le calcul évolutif (GECCO et CEC), une multitude de conférences plus petites comme PPSN, EMO, FOGA et Evostar, et au moins deux journaux de grande qualité (Transactions IEEE sur le calcul évolutif et MIT Press). revue Evolution Computation), ainsi que plusieurs autres plus petits incluant EC dans leur champ d’action plus large.
Cela dit, le domaine plus généralement considéré comme un "apprentissage automatique" présente des avantages pour toute comparaison de "hotness". Premièrement, il s’agit d’un terrain théorique beaucoup plus ferme, que les mathématiciens aiment toujours. Deuxièmement, nous sommes à un âge d’or des données, et bon nombre des méthodes d’apprentissage automatique de pointe ne commencent vraiment à briller que lorsque nous recevons des tonnes de données et des tonnes de puissance de calcul. Dans les deux cas, le temps presse "droite".