No, to by ještě jako motivace nestačilo. Na vyšetření neznámé jednorozměrné funkce máme spolehlivější a levnější algoritmy než ty evoluční.
Evoluční algoritmy začínají být zajímavé až při vícerozměrných funkcích, které vyšetřit buď vůbec nejde (nekonečné), nebo to není rentabilní (spočetné nekonečno). Ono u storozměrné funkce klasická matematika selhává. Pro takové funkce se vyplatí vytvořit model, kde náhodně vygenerujete hodnotu pro každý ze 100 rozměrů a označíte to za "genetickou informaci". V článku popsanou metodou pak proběhnete zlomek celého stavového prostoru a doufáte, že z toho něco vypadne. Pokud genetická informace spočívá v jediném reálném čísle, tak toho opravdu moc "nenaevoluujete".
Na evoluční algoritmy a jejich použití se dá dívat jako na náhodné generování hodnot a ověření jejich výsledků. Evoluční složka algoritmu pak jen pomáhá generovat sadu dalších náhodných hodnot tak, aby se s vyšší pravděpodobností generovaly v zajímavých oblastech. V situaci, kdy hodnoty v bodě A a v bodě B nevypovídají nic spočitatelného o hodnotách bodů mezi nimi, a v situaci, kdy můžete ověřit jen zanedbatelný zlomek možných kombinací, to dává lepší výsledky než jen prostá náhoda.
