遗传算法实战：自适应交叉与变异策略优化

1. 从“固定”到“自适应”：为什么你的遗传算法总卡在局部最优？

我刚开始用遗传算法做优化的时候，经常遇到一个头疼的问题：算法跑着跑着就“躺平”了。明明感觉离最优解就差那么一点，但种群里的个体们就是挤在一起，谁也不肯再往前探索一步，结果就是早早收敛到一个不怎么样的局部最优解里。后来我才明白，问题很可能就出在那两个看似不起眼的参数上——交叉概率（Pc） 和 变异概率（Pm）。

传统的遗传算法，通常会把Pc和Pm设成两个固定的值，比如经典的0.6和0.001。这就像你开车去一个陌生的地方探险，一开始路况复杂，你需要频繁地尝试不同的岔路（高交叉、高变异），但到了后期，你已经接近目的地了，这时候再胡乱变道，反而容易错过正确的路口。固定参数的问题就在于，它无法适应算法在不同进化阶段的需求。在早期，种群多样性高，我们需要更强的“探索”能力，去广泛搜索解空间；到了后期，种群已经收敛到优质区域附近，我们则需要更强的“开发”能力，精细地在这个区域里寻找最优解。

这就是自适应遗传算法的核心思想：让交叉和变异的概率“活”起来，根据种群的进化状态动态调整。简单来说，就是让算法自己学会“审时度势”。当种群陷入停滞、个体间差异变小时，就自动调高Pc和Pm，注入一些“突变”和“重组”的活力，打破僵局；当种群正在快速向好的方向进化时，就适当降低Pc和Pm，保护优秀的基因结构，让进化更稳定。这种动态平衡，正是提升算法效率、避免早熟收敛的关键。接下来，我们就一起看看，怎么亲手实现这套自适应的策略，并把它用在实际的机器学习任务中。

2. 自适应策略的核心：如何动态调整Pc与Pm？

自适应策略听起来很智能，其实背后的数学逻辑并不复杂。最经典的一种思路，是由Srinivas和Patnaik提出的方法，它根据个体的适应度值来动态计算其交叉和变异概率。其核心原则是：保护优秀个体，促进差个体变革。

2.1 交叉概率（Pc）的自适应公式

对于需要执行交叉操作的两个父代个体，它们的交叉概率不是固定的，而是这样计算：

Pc = k1 * (f_max - f') / (f_max - f_avg) , 当 f' >= f_avg 时
Pc = k3 , 当 f' < f_avg 时

这里需要解释一下公式里的几个角色：

• f_max：当前种群中所有个体里最高的适应度值。它代表了本代的“天花板”。
• f_avg：当前种群所有个体的平均适应度值。它是衡量种群整体水平的“及格线”。
• f'：准备进行交叉的两个父代个体中，较大的那个适应度值。我们关心的是这对父母里相对较好的那一个。
• k1, k3：是两个预设的常数，通常 k1 和 k2 取值在0.8-1.0之间，k3 和 k4 取值在0.1左右。k1和k3 控制了交叉概率的上限和下限。

这个公式的意图非常人性化：如果参与交叉的父代个体比较优秀（f' >= f_avg），那么我们就给予它们一个相对较低的交叉概率。因为优秀个体的基因结构已经很好，我们不想用剧烈的交叉操作轻易破坏它，而是希望它能更多地保留给下一代。反之，如果父代个体比较差（f' < f_avg），我们就给它一个固定的、相对较高的交叉概率（k3），鼓励它通过与其他个体的基因重组来产生突破，这相当于给差生“开小灶”，增加其改变命运的机会。

2.2 变异概率（Pm）的自适应公式

变异概率的自适应逻辑与交叉类似，但是针对单个个体：

Pm = k2 * (f_max - f) / (f_max - f_avg) , 当 f >= f_avg 时
Pm = k4 , 当 f < f_avg 时

• f：就是当前要进行变异操作的个体自身的适应度值。
• k2, k4：同样是常数，意义与k1、k3对应。