1. 项目概述为什么“遗传算法第二讲”比第一讲更值得你花时间啃透“遗传算法”这四个字听上去像生物课和计算机课的混血儿——既带着DNA双螺旋的神秘感又裹着代码里for循环的烟火气。但现实是绝大多数人卡在“能跑通示例”和“真能调好参数”之间那道看不见的墙。Part One讲的是“它是什么”Part Two讲的才是“它为什么这样工作以及你亲手拧动哪个旋钮机器才会按你想要的方向进化”。我带过三届算法实训班每年都有学员拿着标准GA模板去优化自己的产线排程问题结果收敛速度慢得像冬天的Wi-Fi最优解卡在局部山头十年不挪窝。后来我们把教学重心从“照着敲代码”彻底转向“拆解选择压力、交叉概率、变异强度这三股力如何博弈”学员平均调试周期从7天压缩到1.5天。这篇内容不是教你怎么复制粘贴一个GA框架而是带你站在种群演化的现场看清每一代个体被淘汰或被保留背后的数学逻辑和工程权衡。适合已经写过最简版二进制编码GA、但面对实际问题仍不敢动mutation_rate、不确定该用单点交叉还是均匀交叉、搞不清精英保留elitism到底是锦上添花还是救命稻草的实践者。你不需要背诵适应度函数的定义但必须能判断出当你的目标函数在搜索空间里出现多个尖锐峰谷时为什么0.01的变异率可能比0.1更致命为什么在解决TSP问题时顺序交叉OX比简单交换两个基因位更能守住路径合法性为什么在连续空间优化中实数编码配合模拟二进制交叉SBX比直接对浮点数加高斯噪声更稳定。这才是Part Two的硬核价值把黑箱里的演化动力学变成你手边可测量、可调节、可预测的工程变量。2. 核心机制深度解构选择、交叉、变异三股力的物理意义与数学约束遗传算法不是魔法它是一套受控的随机搜索引擎其核心驱动力来自三个操作算子——选择Selection、交叉Crossover、变异Mutation——它们共同构成一个闭环反馈系统。很多人误以为这三者是并列关系实则它们在演化过程中扮演着截然不同的角色且存在严格的数学耦合。我把它们比作一辆自动驾驶汽车的三大控制系统选择是油门与刹车决定谁加速、谁减速交叉是方向盘决定方向融合与路径继承变异是雨刷器清除挡风玻璃上的偶然污渍防止视野被局部信息遮蔽。三者失衡整车失控。2.1 选择算子不只是“挑好的”更是“调控搜索压强”的阀门选择操作的本质是将适应度值fitness value映射为生存概率selection probability。但关键陷阱在于适应度值本身不具有绝对物理意义它只是相对排序的代理信号。比如在最小化问题中f(x)100和f(x)101的个体差值仅1但若采用轮盘赌选择Roulette Wheel Selection它们的概率比是100:101几乎无差别而若采用线性排名选择Linear Ranking Selection系统会强制拉开前10%与后10%个体的生存概率差距哪怕它们的适应度只差0.5。这就是为什么在早熟收敛premature convergence高发场景如多峰函数优化轮盘赌常导致种群迅速退化为单一基因型——它对微小差异过于宽容缺乏必要的“选择压强”。我实测过一个经典案例用GA优化Rastrigin函数一个有大量局部极小值的非凸函数。当种群规模N50采用轮盘赌时平均在第32代就陷入局部最优再无突破改用锦标赛选择Tournament Selection且锦标赛大小k3后平均突破代数延至第87代且最终解精度提升47%。原因很简单k3的锦标赛每次只比较3个随机个体胜者晋级这种“小范围激烈竞争”天然放大了适应度差异的感知强度相当于给选择过程加装了压力阀。计算上其选择概率P(i) ≈ 1 - (1 - p_i)^k其中p_i是个体i在单次抽样中的胜率。当k增大P(i)对p_i的敏感度呈指数级上升——这正是工程上需要的“可控压强”。提示不要迷信“适应度越高越好”。在约束优化问题中我常把违反约束的惩罚项设计成适应度的分母如fitness 1 / (objective penalty)而非简单相减。这样一个轻微违规但目标值极优的个体其适应度不会被拉到负无穷而彻底出局反而能在后续交叉中贡献优质基因片段——这是很多初学者忽略的柔性处理智慧。2.2 交叉算子基因重组不是拼图而是保持“解结构合法性”的精密手术交叉是GA产生新个体的核心创新机制但它的设计远非“随机切一刀再交换”那么简单。其根本挑战在于如何在混合父代特征的同时不破坏解的可行性feasibility。以旅行商问题TSP为例一个合法解必须是城市编号的全排列。若用标准单点交叉Single-Point Crossover父代A[1,2,3,4,5]与B[5,4,3,2,1]在位置3交叉得到子代1[1,2,3,2,1]——城市2和1重复出现城市4彻底丢失解非法。这就是为什么TSP领域诞生了专用交叉算子顺序交叉Order Crossover, OX、部分映射交叉Partially Mapped Crossover, PMX、循环交叉Cycle Crossover, CX。以OX为例其步骤看似繁琐实则每一步都在捍卫排列合法性随机选定一段子序列如A的[2,3,4]将该段直接复制到子代对应位置从B的起始位置开始跳过已在子代中出现的城市按顺序填入剩余空位。这个过程的数学本质是定义了一个保序映射order-preserving mapping它确保子代中任意两个城市i,j的相对顺序若在A中i在j前则在子代中i仍大概率在j前同理若在B中i在j前则在子代中i也大概率在j前。这种“结构继承”能力是普通交叉无法提供的。我在优化某物流中心的AGV路径调度时对比了OX与PMXOX生成的路径更平滑转弯次数少12%因为其保序特性天然倾向于继承父代中已验证的高效路段组合而PMX虽能更好处理局部冲突但易打乱长距离顺序导致路径迂回。注意连续空间优化如神经网络权重调优中实数编码的交叉更需谨慎。直接对两个浮点数向量做线性插值x_new α·x1 (1-α)·x2虽简单但α取值不当会剧烈压缩搜索范围。我推荐使用模拟二进制交叉Simulated Binary Crossover, SBX其核心思想是让子代在父代附近生成但概率分布模仿二进制交叉的离散跳跃特性。SBX的子代生成公式为x_{new}^1 0.5[(1β)x_1 (1−β)x_2],x_{new}^2 0.5[(1−β)x_1 (1β)x_2]其中β由随机数u和分布指数η决定β (2u)^{1/(η1)}若u0.5否则β (1/(2(1−u)))^{1/(η1)}。η越大子代越靠近父代开发性强η越小子代越可能远离父代探索性强。实践中η5~20是常用区间我通常在初期设η5加速探索后期动态提升至η15聚焦精细搜索。2.3 变异算子不是“加点随机”而是维持“种群基因多样性”的免疫系统变异常被误解为“最后补救措施”实则它是GA避免早熟收敛的免疫防线。其核心矛盾在于变异率mutation rate必须足够高以注入新基因又必须足够低以不摧毁已积累的优质模式schema。Goldberg的经典结论指出对于长度为L的二进制串最优变异率约为1/L。这意味着一个100位的编码变异率应设为0.01而一个10位编码变异率应为0.1。这个规律背后是概率论的硬约束若每位独立变异概率为p则整个个体完全不变的概率为(1-p)^L。当L100, p0.01时(1-0.01)^100 ≈ 0.366即约63%的个体会发生至少一次变异这恰能维持种群活力若p0.1则(0.9)^100 ≈ 2.65e-5几乎每个个体都面目全非优质基因模式被彻底洗牌。但在实际工程中我极少直接使用固定p1/L。原因有三一是现代GA常采用自适应变异率如根据种群多样性指标如平均汉明距离动态调整——当多样性低于阈值自动提升p二是针对不同基因位应设置不同变异强度。例如在优化一个含10个参数的机械臂控制器时关节角度参数范围[-π, π]的变异应比电机扭矩参数范围[0, 100]更精细我采用高斯变异Gaussian Mutation并为每个参数单独设定标准差σ_i其值正比于该参数的取值范围宽度三是离散变量如任务分配ID不能用高斯噪声必须用置换变异Swap Mutation或插入变异Insert Mutation。一个血泪教训某次优化半导体刻蚀工艺参数我将所有12个连续变量统一用p0.083即1/12的高斯变异结果种群在第15代就崩溃——因为温度参数范围[20, 120]℃的σ过大变异后常超出设备安全限值导致大量个体被罚至极低适应度有效搜索空间急剧萎缩。后来改为对温度、气压等关键安全参数σ设为范围宽度的3%对气体流量等容错参数σ设为8%并引入边界反射机制boundary reflection当变异后值超界不直接截断而是以边界为镜面反射回可行域避免在边界处形成适应度悬崖。3. 实操全流程拆解从问题建模到参数调优的七步落地法写一个能跑的GA代码半小时足够写一个在真实业务中稳定产出优质解的GA系统需要一套严谨的工程化流程。我将其总结为“七步落地法”每一步都对应一个关键决策点跳过任何一步都可能让后续所有努力归零。这套方法已在能源调度、金融风控、智能制造等6个行业项目中验证有效。3.1 第一步精准定义“解空间”与“适应度函数”——拒绝模糊的“越小越好”很多失败源于起点错误把“优化目标”等同于“适应度函数”。例如客户说“要降低服务器集群的能耗”这只是一个业务目标。转化为GA的适应度函数必须明确解的编码方式是整数编码虚拟机分配方案实数编码CPU频率、内存带宽配置还是混合编码前者后者约束条件的嵌入方式SLA达标率99.9%是硬约束不可违反还是软约束可接受小幅违约但大幅扣分多目标的聚合策略若同时优化能耗与响应延迟是加权求和fitness w1·energy w2·latency还是采用Pareto前沿Pareto Front我处理过一个云资源调度项目初始方案用加权和fitness 0.7·energy 0.3·latency。结果GA疯狂压低能耗导致延迟飙升至SLA红线边缘业务方无法接受。后来改为将延迟作为硬约束任何延迟200ms的解fitness直接置为-∞即彻底淘汰仅在满足延迟约束的解中用能耗作为唯一优化目标。这一改动使最终解的延迟稳定性提升300%且能耗仍比基线低18%。关键洞见是适应度函数不是数学公式的翻译而是业务规则的编码实现。3.2 第二步种群初始化——别让起点就埋下偏见的种子“随机初始化”是教科书标准答案但在工业场景中它常是性能瓶颈的源头。一个纯随机种群其个体在解空间中呈均匀分布但真实优化问题的优质解往往聚集在某个子区域。若初始种群全部落在贫瘠区GA需要漫长爬坡才能触及富矿区。我的解决方案是“混合初始化”Hybrid Initialization50% 随机生成保证全局探索潜力30% 基于启发式规则生成例如在TSP中用贪心算法Nearest Neighbor生成几条较短路径20% 来自历史最优解库若系统已运行过类似任务复用其存档的优质解片段。在风电功率预测模型超参优化中我将LSTM的层数、隐藏单元数、学习率等参数编码。纯随机初始化时80%的个体因层数5或学习率0.1而训练崩溃。引入启发式层数限定在1~3学习率采样自log-uniform分布1e-4 ~ 1e-2隐藏单元数按输入维度1.5倍设定。结果首次评估的有效个体比例从22%跃升至91%收敛速度加快2.3倍。3.3 第三步选择-交叉-变异算子的协同配置——参数不是孤立的是联动的算子参数绝非独立调节它们构成一个动态平衡系统。我建立了一个经验公式来指导初始配置种群规模 N ≈ 10 × LL为编码长度交叉概率 P_c ≈ 0.8 ~ 0.95高P_c促进模式交换但需配合强选择压变异概率 P_m ≈ 1/L基础值再根据多样性监控动态调整但真正的艺术在于联动。例如当P_c设为0.95时若仍用轮盘赌选择种群极易早熟——因为高交叉率快速传播优势基因而轮盘赌无法及时淘汰劣质后代。此时必须同步提升选择压强将轮盘赌升级为k5的锦标赛或采用线性排名选择选择压强系数S1.5~2.0。我在优化一个化工反应釜的PID控制器参数时编码长度L6Kp, Ki, Kd各两个维度故设N60, P_c0.9, P_m0.17。但初期效果极差种群在第10代就停滞。排查发现高P_c导致大量子代集中在Kp≈2.5的窄带而P_m0.17对6维向量意味着平均每代只有1个基因位变异无法撼动整体分布。解决方案是将P_m临时提升至0.3并启用“自适应变异”——当连续5代种群平均汉明距离0.1N自动触发变异率翻倍。调整后系统在第42代成功跳出局部最优找到Kp3.8, Ki0.12, Kd0.85的更优组合超调量降低35%。3.4 第四步精英保留Elitism的正确打开方式——不是“留最好的1个”而是“构建防退化缓冲区”精英保留是防止GA退化的标配但90%的人用错了。常见错误是“每代保留适应度最高的1个个体”这看似保险实则脆弱若该精英个体因偶然原因如数据噪声被高估它将成为种群的“毒瘤”其劣质基因通过交叉污染整个种群。我的做法是构建“精英缓冲区”Elite Buffer维护一个大小为E5~10的缓冲区每代将当前种群中适应度Top-E的个体加入缓冲区缓冲区按适应度排序但只保留历史最高E个即淘汰缓冲区中最低的新种群生成时从缓冲区中随机抽取E个个体直接替换新种群中适应度最低的E个。这个机制有三大优势一是避免单点故障缓冲区是冗余备份二是允许“暂时性精英”存在——某个在中期表现优异但后期被超越的个体仍可在缓冲区中存续几代为交叉提供多样性三是天然支持多目标缓冲区可按Pareto等级分层存储确保不同优化方向的优质解均被保留。在优化某电商平台的个性化推荐模型时我设E8。缓冲区中常年存有3类精英高点击率型CTR12%、高转化率型CVR3.5%、高GMV型单用户贡献¥200。新种群生成时这8个精英被随机注入确保种群始终具备多维度优化潜力最终模型在A/B测试中GMV提升22%同时CTR未下降实现了帕累托改进。3.5 第五步终止条件的工程化设定——告别“固定代数”拥抱“动态收敛监测”“运行1000代”是最懒惰的终止策略。真实场景中代数不是目标而是达成业务目标的手段。我定义了三层终止条件满足任一即停硬性终止达到最大代数G_max如500代或最大计算时间T_max如2小时收敛终止连续C代如50代种群最优适应度提升幅度 ε如0.001%且平均适应度标准差 δ如0.01业务终止当前最优解已满足业务阈值如能耗≤150kW延迟≤150ms。关键技巧在于“收敛监测”的鲁棒性。单纯看最优值易受噪声干扰我采用“滑动窗口统计”维护一个长度为W20的最优适应度队列每代更新。当队列内最大值与最小值之差 ε且队列标准差 δ时才判定收敛。这避免了单代波动引发的误判。在优化一个地铁线路的列车时刻表时目标是最小化乘客总等待时间。由于客流数据存在分钟级波动单代适应度浮动达±5%。若用单点阈值系统常在第80代就误判收敛。改用W20的滑动窗口后稳定在第320代才终止最终解比早期误判解优17.3%。3.6 第六步结果分析与解的后处理——GA输出的不是终点而是高质量候选集GA的输出常被当作“最终答案”但专业实践要求我们将其视为“高质量候选集”。我必做的后处理有三步解的合法性校验检查是否满足所有硬约束如TSP路径是否为全排列、资源分配是否超总量鲁棒性测试对最优解施加±5%的参数扰动重新评估适应度若下降10%说明解处于尖锐峰顶需警惕多解对比分析提取Pareto前沿上的多个非支配解与业务方共同权衡——例如在成本与交付周期间哪个折中点更符合当前战略在优化一个光伏电站的逆变器配置方案时GA输出了12个Pareto最优解。后处理发现解A成本最低¥85万但发电效率在阴天下降22%解B成本高8%但阴天效率仅降5%。业务方最终选择解B因为其“抗天气风险能力”带来的年均收益增量远超初始投资差额。这印证了一个真理GA的价值不仅在于找到一个解更在于揭示解空间的结构与权衡关系。3.7 第七步参数敏感性分析——制作你的专属“GA调参地图”最后一步也是最具长期价值的一步对关键参数P_c, P_m, N, 选择压强S进行敏感性分析绘制“参数-性能”热力图。方法是固定其他参数让目标参数在合理范围内网格搜索如P_m从0.01到0.2步长0.01记录每组参数下30次独立运行的平均最优适应度与标准差。我曾为某汽车零部件供应商的注塑工艺优化项目制作过这样的地图。发现当P_m0.05时收敛速度最快但当P_m0.08时最终解质量最优因适度增加探索性。这揭示了一个重要规律“快”与“好”常不可兼得需根据项目阶段选择策略——POC阶段用P_m0.05快速验证上线阶段用P_m0.08追求极致。这张地图已成为团队的标准配置文档新人接手项目5分钟内即可定位最优参数区间无需从零试错。4. 常见问题与实战排障指南那些教科书不会写的“踩坑实录”GA的调试过程本质上是一场与随机性的博弈。以下是我过去十年踩过的、被问得最多的12个坑附带现场诊断思路与根治方案。每一个都来自真实项目日志不是理论推演。4.1 问题1种群“一夜白头”——第1代就收敛后续毫无变化现象运行第1代后种群中90%个体基因完全相同后续所有代都原地踏步。诊断思路这不是算法失效而是选择压强失控。检查选择算子若用轮盘赌计算所有个体适应度看是否有一个个体适应度远超其余如占总和80%以上若用锦标赛检查k值是否过大如k10在N50种群中。根治方案立即切换为线性排名选择设选择压强S1.5或将锦标赛k值降至2~3同步检查适应度函数是否因尺度问题如一个解fitness1e6另一个1导致数值鸿沟加入对数变换fitness log(fitness 1)。实操心得我在处理一个金融风控模型的特征选择GA时因AUC分数本身就在0.7~0.9间窄幅波动直接使用导致轮盘赌失效。加入log变换后适应度拉伸至1~100区间问题迎刃而解。4.2 问题2解的质量“坐过山车”——最优值剧烈震荡无法稳定现象最优适应度在代际间大幅跳变如第10代0.85第11代0.32第12代0.79无收敛趋势。诊断思路震荡主因是“高变异率弱选择压强”组合。高P_m不断注入噪声弱选择无法及时淘汰劣质变异体导致种群在优质与劣质间反复横跳。根治方案将P_m降至1/L基准值启用自适应变异当连续10代最优值标准差 当前最优值的10%自动将P_m乘以0.7引入“精英缓冲区”确保优质基因不被随机变异冲垮。现场记录某物流路径规划项目P_m0.15导致震荡。按此方案调整后震荡幅度从±45%收窄至±3.2%并在第68代稳定收敛。4.3 问题3交叉后大量“残废解”——子代频繁违反硬约束现象交叉操作后大量子代因结构破坏如TSP路径重复、资源分配超限被罚至极低适应度有效子代不足20%。诊断思路使用的交叉算子与问题结构不匹配。标准单点/均匀交叉适用于二进制或实数编码但对排列、树形等特殊结构无效。根治方案排列问题TSP、作业调度强制使用OX、PMX或CX树形结构遗传编程使用子树交叉Subtree Crossover混合编码对不同类型基因位分别应用适配算子如整数位用OX实数位用SBX。避坑技巧在交叉函数中加入“修复机制”Repair Mechanism。例如TSP交叉后对重复城市用未出现城市按顺序填补对缺失城市从父代中随机抽取补充。虽略损纯度但大幅提升有效率。4.4 问题4变异像“刮骨疗毒”——每次变异都让解质量断崖下跌现象变异操作后95%的子代适应度暴跌仅5%略有提升变异沦为负向操作。诊断思路变异强度如高斯噪声标准差σ过大或变异方式与参数类型错配如对整数ID加浮点噪声。根治方案对连续参数σ设为参数范围宽度的2%~5%对整数参数改用“邻域变异”Neighborhood Mutation随机选一位以0.5概率加10.5概率减1超界则取边界值对类别参数如材料类型用“随机重置”Random Reset以P_m概率将该位重置为所有可能值中的一个随机值。实操心得优化一个建筑能耗模型时墙体材料类型是整数编码1砖, 2混凝土, 3保温板。最初用高斯变异结果常出现材料ID2.7解非法。改用随机重置后变异有效率从12%升至98%。4.5 问题5早熟收敛“坚如磐石”——种群卡在局部最优变异也无法撼动现象连续200代最优值无提升种群多样性指标如平均汉明距离趋近于0手动提高P_m至0.5也无效。诊断思路问题根源常在“适应度函数的欺骗性”deceptive fitness landscape。某些局部区域的适应度被人为抬高形成“吸引力陷阱”。根治方案引入“适应度共享”Fitness Sharing对种群中相似个体汉明距离阈值按距离衰减其适应度迫使算法探索新区域或采用“小生境GA”Niche GA将种群划分为多个子种群各自独立进化定期迁移个体最激进但有效重启种群Restart GA——保留精英缓冲区清空其余个体用混合初始化重建种群。现场记录某芯片布局布线优化因线长计算的近似误差导致某块区域被误判为“最优”GA在此盘踞150代。启用适应度共享共享半径3共享函数1-d/L后第7代即成功突围。4.6 问题6收敛速度“龟速前进”——500代后仍离目标差一大截现象代数已超预期但最优解质量提升缓慢斜率趋近于0。诊断思路大概率是“探索-开发”失衡过度侧重开发exploitation探索exploration不足。根治方案动态调整P_c初期前100代设P_c0.6鼓励保守交叉中期100~300代升至0.85后期300代后降至0.5聚焦精细搜索引入“移民算子”Immigration Operator每50代随机生成10%新个体来自混合初始化替换种群中最差个体检查编码长度L若L过大如100考虑降维——用主成分分析PCA或领域知识合并相关参数。避坑技巧在优化一个大型风电场的功率预测模型时初始编码含42个气象特征。经PCA降维至12个主成分后收敛代数从620代降至210代且精度反升0.8%。4.7 问题7多目标优化“顾此失彼”——Pareto前沿稀疏且偏向一方现象生成的Pareto解集中分布在某一目标轴附近如全为低成本、高延迟解另一区域空缺。诊断思路目标函数量纲不一致或权重失衡导致NSGA-II等算法的拥挤度计算失效。根治方案对所有目标进行标准化Standardizationz_i (f_i - μ_i) / σ_i其中μ_i, σ_i为该目标在历史解中的均值与标准差在NSGA-II的拥挤度计算中对每个目标维度单独归一化再求欧氏距离若业务明确偏好改用加权Tchebycheff方法而非Pareto前沿。实操心得优化一个医院排班系统时护士满意度0~100分与排班公平性0~1分量纲悬殊。标准化后Pareto前沿覆盖度从32%提升至89%。4.8 问题8并行化后“事倍功半”——多进程加速比远低于理论值现象用multiprocessing启动8个进程但总耗时仅比单进程快2.3倍而非理想8倍。诊断思路瓶颈不在计算而在进程间通信与同步开销。GA的每代需收集所有子进程的适应度若适应度计算快如毫秒级通信成本占比极高。根治方案采用“异步评估”主进程分发一批个体给子进程不等待继续分发下一批子进程完成即回传使用共享内存Shared Memory存储种群与精英缓冲区避免频繁序列化对适应度计算耗时100ms的任务放弃并行改用向量化NumPy或JIT编译Numba。现场记录某实时交通流预测的GA单次适应度计算仅8ms。改用Numba JIT加速后单进程速度提升6.2倍总耗时低于8进程并行方案。4.9 问题9结果“不可复现”——相同参数多次运行结果差异巨大现象30次独立运行最优解质量标准差高达均值的40%业务方质疑可靠性。诊断思路随机种子未固定或算法中存在未控制的随机源如Python的random与numpy.random混用。根治方案在程序开头严格设置import random import numpy as np random.seed(42) np.random.seed(42) # 若用PyTorch还需 torch.manual_seed(42)对所有随机操作选择、交叉、变异、初始化确保使用同一随机源在报告中注明随机种子供复现。避坑技巧我坚持为每个项目创建“种子矩阵”——对30次运行预生成30个不同种子如42, 43, ..., 71而非每次用time.time()确保结果可追溯。4.10 问题10内存“无声爆炸”——运行到200代后进程被系统OOM Killer杀死现象无报错进程突然消失系统日志显示“Out of memory”。诊断思路精英缓冲区或历史存档无限增长或适应度计算中缓存了未释放的大对象如整个训练数据集。根治方案精英缓冲区设硬上限如E10超限则淘汰最旧者适应度函数中用del显式删除大临时变量并调用gc.collect()对大数据集改用流式加载streaming load每次只读取当前个体所需数据块。实操心得优化一个卫星图像识别模型时每张图2GB。改用流式加载内存映射mmap后内存占用从12GB降至1.8GB。4.11 问题11交叉算子“水土不服”——理论最优实测最差现象文献推荐的SBX在本项目中效果不如简单线性插值。诊断思路SBX的η参数需与问题特性匹配。η过大30导致子代过于保守η过小2导致探索过猛。根治方案对η进行网格搜索在[2, 5, 10, 20, 50]中测试或采用自适应η初期η5强探索后期η20