李亚欣，梁 静，岳彩通，李 珂

(郑州大学 电气工程学院，河南 郑州 450001)

随着大数据时代的到来，数据挖掘和机器学习成为研究热点。具有多模态、含约束、多目标等性质的复杂优化问题因其具有更高的理论和实际应用价值被人们持续研究。为了解决这些优化问题，早先搜索策略的设计通常需要依赖算法设计者的经验、待优化问题的先验知识或调参确定。虽然研究人员设计了多种基准测试函数集以尽可能涵盖优化问题的更多属性，但是并没有从根本上解决这个问题。根据“无免费午餐”定理[1]，一种算法不可能在所有问题上都表现优异，不同的算法可能在不同类型的问题上有特定优势。因此，需发展基于学习的方法来自适应地根据优化问题的多方面需求和性质指导算法选择和种群进化。

问题的适应度空间地形能直接反映问题的特性，因此提取地形信息有助于问题的特性分析。适应度地形的概念源于理论生物学[2]，它是指一个三元组L=(S,V,F)，其中S是所有解的集合，V：S→2s是一个特定的邻域函数，对于每一个s∈S，V(s)是其邻域解集，F：S→R是适应度方程。适应度地形的作用是与优化问题的真实地形对比，以便我们了解算法的工作原理，更好地解决实际问题[3]。适应度地形分析(fitness landscape analysis，FLA)是指数据驱动技术的集合，用于提取与适应度地形特性有关的描述性或数值度量[4]。因此，FLA的目的是获得有关给定优化问题的知识，并深入了解对于算法性能至关重要的优化问题的特征[5]。……