Page 158 - 大数据技术及安全研究

大数据技术及安全研究
Big Data Technology and Security Research

次。基本的演化算法所使用的三种操作属于个体级层次的遗传操作。为此，有的
研究者便将其他层次的一些遗传操作（称为高级操作）引入到演化算法中。虽然
高级操作的引入对演化算法的稳健性有一定改善，但它们增加了额外的计算开销
且适应的编码种类较少，而且不少人对采用这些操作能否增强演化算法的计算

性能和求解效率持怀疑态度。在演化计算中使用的基因级的高级操作包括：倒位
（Inversion）、显性基因（Dominance）、二倍体（Diploidy）、重复（Duplication）、
缺失（Deletion）、易位（Translocation）和隔离（Segregation）等。群体级的高
级操作包括：迁移（Migration）、婚配限制（Marriage Restriction）、分享（Sharing）

和挤聚（Crowding）等。
（六）控制参数的选取
在设计演化算法时，一方面，需要针对具体问题选择适当的编码方案及相应
的遗传算子；另一方面，需要选择算法的控制参数。对一个具体问题，要想获得

最优的参数设置，通常采取下述两种方法之一：①试验法。该方法是对每个参数
在某区间上按一定的间隔取有限个值，然后根据不同的参数组合执行演化算法，
以比较它们的性能，并在其中选择最优的组合。②二级演化算法（meta-EA）。
这种方法将演化算法控制参数的选取问题也作为一个优化问题，从而用一个二级

演化算法去优化控制参数。
虽然上述两种方法能就某类问题获得较佳的参数设置，但它们的计算量都比
较大，因而在计算实际问题时用得并不是很多。常用的方法是根据经验取定控制
参数值，然后多次执行算法，以获得问题的最优或近似最优解。传统演化算法在

演化过程中控制参数是不变的，这样，选取合适的控制参数对算法设计就非常重
要。因此，不少学者提出了自适应调整遗传概率的策略。其基本思想是，在演化
的初期应使用较大的遗传概率，从而使群体内具有足够的多样性，这将有助于找
到全局最优解；而在演化的后期，较小的遗传概率将使算法具有良好的收敛性，

且使搜索在某些可能有最优解的局部邻域内进行。实际上，我们还可以考虑在同
一演化代中，对不同的个体使用不同的变异概率。这样，在较好的解的局部进行
搜索，而对较差的解则在其较大的邻域内搜索。
（七）演化算法的改进

基本演化算法源于对生物演化过程的直接模拟，求解问题时，一般需要较大
的运算量且有时收敛不到全局最优解。为了提高算法的效率、改善算法的性能，

·146·