生成遗传算法等元启发式算法初始种群的常用更优方法有哪些？

常用初始种群生成方法 #

除了你提到的混沌法之外，工程和研究中常用的生成方法还有以下几类：

• 随机生成法：最基础的实现方案，在可行解空间内按照均匀分布随机采样生成个体。优势是实现简单、无固有偏差，适合对问题最优解分布没有先验认知的场景；缺点是种群多样性不可控，高维场景下容易出现大量个体聚集在局部无效区域的问题。
• 拉丁超立方采样（LHS）：属于分层采样的一种，会先将解空间的每个维度均匀划分为N个等概率区间（N为种群规模），每个区间仅采样一次，同时保证所有维度的采样点不会重复落在同一区间组合内，生成的种群均匀度远高于纯随机采样，是目前工业应用中替代随机生成的主流方案。
• 先验知识引导生成法：如果对求解问题的最优解分布有明确的业务或研究经验，可以直接在高概率出现优质解的区域提高采样密度，其余区域降低采样密度，能大幅降低算法迭代前期的筛选成本，收敛速度提升明显；但如果先验认知存在偏差，很容易导致算法直接陷入局部最优。
• 对立学习（对抗学习）生成法：生成每一个随机采样个体的同时，计算其在可行域内的对立点（即每个维度的取值为该维度上下限之和减去当前个体的对应维度值），从原始个体和对立个体中筛选适应度更高的个体加入种群，能在不额外提升采样成本的前提下大幅提高初始种群的整体质量。
• 佳点集生成法：基于数论佳点集理论构造采样点，生成的个体在解空间内的分布均匀度高于拉丁超立方采样，尤其适合高维解空间的场景，缺点是实现复杂度相对更高。
• 聚类预采样生成法：先对解空间做大规模粗采样，对采样结果做聚类得到多个潜在的优质解区域，再在每个聚类中心附近加密采样生成最终种群，能同时兼顾种群多样性和优质区域的采样密度。

其他元启发式算法生成初始种群的可行性 #

完全可以，这是混合元启发式算法的常规实现思路，目前已经有大量成熟的实践案例：

• 常用的预搜索元启发式算法包括粒子群优化（PSO）、模拟退火（SA）、差分进化（DE）、蚁群优化（ACO）等，你可以先用这类算法做少量迭代的预搜索，将预搜索得到的优质解集直接作为遗传算法的初始种群。
• 这类方案的优势是初始种群的整体适应度远高于随机生成的种群，能大幅降低遗传算法的迭代次数，在求解成本较高的场景下收益非常明显。
• 需要注意的是预搜索的迭代次数不能太多，否则会导致初始种群的多样性不足，反而容易让遗传算法提前陷入局部最优，一般预搜索迭代次数控制在总预期迭代次数的10%~20%即可。

内容的提问来源于stack exchange，提问作者MAJID majid