Page 161 - 大数据技术及安全研究

第四章 大数据时代演化算法与进化算法的有关分析

第二节 基于进化计算的优化及应用探究

一、进化算法的理论内容

进化算法包括遗传算法、遗传规划、进化规划和进化策略等等。进化算法的
基本框架还是简单遗传算法所描述的框架，但在进化的方式上有较大的差异，选
择、交叉、变异、种群控制等有很多变化：同遗传算法一样，进化算法的收敛性

也有一些结果，文献证明了在保存最优个体时通用的进化计算是收敛的，但进化
算法的很多结果是从遗传算法推过去的。遗传算法对交叉操作要看重一些，认为

变异操作是算法的辅助操作；而进化规划和进化策略认为在一般意义上说交叉并
不优于变异，甚至可以不要交叉操作。进化计算是基于自然选择和自然遗传等生
物进化机制的一种搜索算法。与普通的搜索方法一样，进化计算也是一种迭代算
法，不同的是进化计算在最优解的搜索过程中，一般是从原问题的一组解出发改

进到另一组较好的解，再从这组改进的解出发进一步改进。而且在进化问题中，
要求当原问题的优化模型建立后，还必须对原问题的解进行编码。进化计算在搜

索过程中利用结构化和随机性的信息，使最满足目标的决策获得最大的生存可能，
是一种概率型的算法。
一般来说，进化计算的求解包括以下几个步骤：给定一组初始解；评价当前
这组解的性能；从当前这组解中选择一定数量的解作为迭代后的解的基础；再对

其进行操作，得到迭代后的解；若这些解满足要求则停止，否则将这些迭代得到
的解作为当前解重新操作。以遗传算法为例，其工作步骤可概括为：①对工作对

象——字符串用二进制的 0/1 或其他进制字符编码。②根据字符串的长度 L，随
即产生 L 个字符组成初始个体。③计算适应度。适应度是衡量个体优劣的标志，
通常是所研究问题的目标函数。④通过复制，将优良个体插入下一代新群体中，
体现“优胜劣汰”的原则。⑤交换字符，产生新个体。交换点的位置是随机决定

的。⑥对某个字符进行补运算，将字符 1 变为 0，或将 0 变为 1，这是产生新个
体的另一种方法，突变字符的位置也是随机决定的。⑦遗传算法是一个反复迭代

的过程，每次迭代期间，要执行适应度计算、复制、交换、突变等操作，直至满
足终止条件。

·149·