Page 167 - 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

多目标优化（Multiobjective Optimization）：多目标优化 的目的是求得
Pareto 最优解集，以供决策者选择，由于进化算法是同时进化一组解（种群），
这样运行一次就能找到一组最优解集，而且通过适当的技术还可以使其分布良好，

因此进化算法似乎十分适合多目标优化。
组合优化（Combinatorial Optimization）：随着问题规模的增大，问题的搜
索空间也急剧增大，因此很多组合优化问题都是 Np 完全或 Np 难的问题，而这

些问题在经典方法中是不能解决的，而进化算法通过与启发式结合，能在有限的
时间内找到满意解，现在有大量的文献用进化算法解决 Tsp 问题、装箱问题、背
包问题、指派问题、着色问题等。

约束优化（Constraint Optimization）：进化算法最初是处理非约束优化的，
但是，通过一定的处理，进化算法在约束优化上同样也是相当成功的，现在处理
的方式主要有：特殊编码和算子、罚函数法、修复不可行解、约束条件目标化等

方法。
非确定性环境优化（Optimizationin Uncertain Environment）：非确定性环境
包括适应度函数评估带有噪声、决策变量受到扰动、适应度函数用简单函数来逼

近所带来的误差、适应度函数是时变的等，对于这四种情况，建立不同的模型进
行补偿，也可以克服这些非确定因素。从社会自然科学角度看，进化优化除了在
常见领域如人工智能、自动控制、机械制造、工程设计、经济非常成功外，最近

在艺术、社会组织等方面的尝试也取得一定的成果。

第三节 大数据时代进化算法的创新发展

一、进化计算和优化算法的比较

进化计算（Evolutionary Computation）是一种模拟自然进化原理的计算模型，

它使用一些生物学中进化学原理，比如“自然选择”“遗传交配”“变异”等，
来进行机器学习、优化问题求解等计算任务的模拟。进化计算主要包括遗传算法
（Genetic Algorithm）、进化策略（Evolutionary Strategy）和粒子群优化（Particle

Swarm Optimization）等。优化算法则是一种“找到最优解”的算法，优化问题

·155·