当前位置：首页 > news >正文

遗传算法进阶实战：破解早熟、调参与收敛诊断

news 2026/6/9 15:01:22

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重读

“遗传算法”这四个字，十年前在高校课堂里是《人工智能导论》最后一章的冷门配角，五年后成了算法岗面试必问的“经典老题”，而今天——它已经悄悄长进了工业级推荐系统、芯片布局优化、甚至新能源电池材料筛选的底层逻辑里。但绝大多数人卡在“能背出选择、交叉、变异三步”的表面，一到调参就懵，一跑结果就发散，一改问题就失效。我带过三十多个算法实习生，八成都在“Part One”里记住了轮盘赌和单点交叉的公式，却在“Part Two”真正动手实现多目标约束、自适应算子、精英保留策略时集体掉链子。这不是学得不认真，而是第一讲教的是“遗传算法像什么”，第二讲才开始教“它到底怎么活”。这篇内容的核心关键词非常明确：遗传算法进阶实现、适应度函数设计陷阱、收敛性诊断、早熟现象根因、精英策略实操参数。它不是给零基础扫盲的，而是给那些已经写过一个标准GA框架、跑过TSP或函数优化案例、但发现“结果总在局部最优打转”“不同问题要反复调参”“交叉率设0.8还是0.9全靠玄学”的实践者准备的。如果你正卡在从“会写”到“会调”“会诊”“会改”的临界点，这篇就是你该打印出来贴在显示器边上的操作手册。它不讲数学证明，只讲我在三个真实项目里——一个物流路径动态重调度系统、一个光伏板倾角智能寻优模块、一个工业缺陷检测模型超参搜索任务——亲手调坏又救回来的每一步。

2. 核心思路拆解：为什么“标准三步”必须被打破？从生物隐喻到工程现实的硬切换

2.1 “选择-交叉-变异”不是流程图，而是可插拔的组件接口

教科书把遗传算法画成一个首尾相接的环：初始化→评估→选择→交叉→变异→评估→循环。这图很美，但害人不浅。我在做光伏板倾角优化时，初始种群用均匀采样生成50个角度组合（-30°到+60°），适应度函数是全年发电量模拟值。按标准流程跑500代，结果所有个体在第87代就全部坍缩到+32.5°这个点上——不是最优，是早熟。复盘发现，问题出在“选择”环节：轮盘赌选择对高适应度个体过度倾斜，+32.5°的个体适应度比次优的+31.8°高出不到0.3%，但被选中概率却高出47%。生物进化里没有“轮盘赌”，只有“生存压力下的差异化存活”。我们立刻把选择算子换成锦标赛选择（Tournament Selection），每次随机抽4个个体，取其中适应度最高者进入交配池。同样500代，种群多样性保持到第320代，最终找到+33.7°这个全局更优点，年发电量提升1.8%。这说明什么？标准流程里的每个环节，本质是一个可替换的策略接口。选择不是非轮盘赌不可，交叉不是非单点不可，变异不是非均匀不可。关键在于：你的问题是否具备“局部峰谷密集”“适应度曲面平滑度低”“约束条件硬边界多”这些特征。比如物流路径重调度，客户位置是离散坐标点，路径长度变化对微小坐标扰动极不敏感，这时用模拟退火式的选择温度衰减机制，比固定概率的轮盘赌更能跳出局部陷阱。

2.2 适应度函数不是“得分器”，而是“进化方向导航仪”

新手最容易犯的错，是把适应度函数当成一个简单的“目标值映射”。比如优化函数f(x)=x²sin(x)，直接把f(x)值当适应度。问题来了：f(x)在x=0处是0，x=π处是0，x=3π/2处是负值。遗传算法默认“适应度越高越好”，负值个体直接被淘汰，但x=3π/2恰恰是局部极大值点。我见过太多人在这里栽跟头。正确做法是先做适应度标定（Fitness Scaling）。最常用的是线性变换：fitness_scaled = a * f(x) + b，其中a、b根据当前种群最大/最小f(x)动态计算，确保所有适应度为正且拉开梯度。但在光伏项目里，我们遇到更棘手的情况：发电量模拟耗时2秒/次，而算法要跑500代×50个体=25000次评估。如果每代都重新计算全种群适应度，总耗时超13小时。解决方案是引入适应度缓存与增量更新：只对变异后的新个体重新评估，其余沿用上一代值；对交叉产生的子代，若父代适应度已知且交叉点不在关键变量区（如倾角变量未被交叉），则用加权平均近似。实测将单代耗时从2.1秒压到0.35秒，整体提速6倍。这背后逻辑很朴素：适应度函数不是静态打分表，它是算法运行时的实时导航系统，必须兼顾精度、效率、鲁棒性三重约束。

2.3 “精英保留”不是锦上添花，而是防止进化退化的安全阀

几乎所有教程都把精英策略（Elitism）列为“可选增强项”，说“保留最优1-2个个体防止优秀基因丢失”。这是严重误读。在工业场景里，精英策略是防止算法退化的强制安全机制。物流路径项目初期没加精英保留，第120代出现一个路径长度18.7km的优质解，但第121代因交叉操作失误（两个父代在关键枢纽点交叉导致路径断裂），这个解被意外丢弃，后续200代再没找回。后来我们强制保留每代最优3个个体，并增加精英隔离区（Elite Sanctuary）：这3个个体不参与选择、不参与交叉、不参与变异，只参与下一代评估。同时设置精英老化阈值：若同一精英连续50代未被刷新，则强制将其从隔离区释放，参与常规进化——避免种群彻底僵化。这个改动让算法收敛稳定性提升300%，从“偶尔跑出好解”变成“每次都能稳定收敛到±0.5%误差内”。记住：自然进化没有“精英保留”，但工程实现必须有。因为计算机没有百万年的试错成本，你的每一次迭代都烧着真金白银的算力和时间。

3. 核心细节解析：五个致命细节，决定你的GA是玩具还是生产工具

3.1 编码方式：二进制不是万能钥匙，实数编码才是工业主力

教科书最爱用二进制编码讲遗传算法：x∈[0,1]用10位二进制表示，0000000000到1111111111对应0到1。这很教学，但很反工程。问题有三：第一，汉明悬崖（Hamming Cliff）：二进制0111111111（0.999）和1000000000（0.5）只差1位，但实际数值差0.5；第二，精度硬上限：10位二进制最多表达2¹⁰=1024个离散点，想提升精度必须加位数，种群规模指数级膨胀；第三，约束处理困难：x∈[-5,10]的区间，二进制编码需先线性映射，再处理越界，代码臃肿易错。我在光伏项目里直接采用实数编码（Real-coded GA）：每个个体就是一个浮点数数组，[pitch_angle, azimuth_angle, spacing_ratio]。交叉用模拟二进制交叉（SBX），变异用多项式变异（Polynomial Mutation）。SBX的核心思想是：给定两个父代x₁、x₂，子代y按公式y = 0.5 * [(1+β)x₁ + (1-β)x₂]生成，其中β由分布指数η控制，η越大，子代越靠近父代中点。我们实测η=15时，对倾角变量的探索既充分又不发散。这种编码下，约束处理变成简单的clip操作：y = clip(y, -30, 60)，一行代码解决。结论很直白：除非你在做纯理论研究或教学演示，否则放弃二进制编码，拥抱实数编码。它让代码量减少40%，调试时间缩短60%，且收敛质量更高。

3.2 交叉算子：单点交叉是入门，SBX和BLX才是实战标配

单点交叉（Single-point Crossover）就像拿刀切两根香肠，随机选个位置一刀切，前后段互换。它简单，但有个致命缺陷：破坏变量间的协同关系。光伏项目中，倾角和方位角存在强耦合——倾角变大时，最佳方位角往往需微调。单点交叉若在两个变量间切开，可能产生[35°, 180°]这种完全不合理的组合。我们切换到BLX-α交叉（Blend Crossover）：给定父代x₁、x₂，子代y在区间[min(x₁,x₂)-α·d, max(x₁,x₂)+α·d]内均匀采样，其中d=|x₁-x₂|，α是扩展系数（通常0.5）。这样生成的子代天然落在父代邻域内，保留了变量协同性。更进一步，在物流路径项目中，我们用顺序交叉（OX, Order Crossover）处理路径序列。比如父代1是[1,2,3,4,5,6]，父代2是[6,4,2,1,5,3]，OX先随机选中段[2,3,4]，子代1前段填父代1的[2,3,4]，剩余位置按父代2顺序填入未出现数字[6,1,5]，得到[2,3,4,6,1,5]。这保证了路径的合法性（无重复节点）。选择依据很简单：看你的决策变量类型。连续变量用SBX/BLX，离散排列用OX/PX，布尔变量用均匀交叉（Uniform Crossover）。没有银弹，只有匹配。

3.3 变异算子：高斯噪声太粗糙，多项式变异才是精准手术刀

很多代码库用x_new = x_old + random.gauss(0, sigma)做变异，这叫“高斯变异”。它的问题是：变异步长固定，无法随进化进程自适应。早期需要大步长探索，后期需要小步长精调。我们在电池材料筛选项目中，材料参数如晶格常数、掺杂浓度，允许变异范围极小（±0.02nm），但早期若用小sigma，根本跳不出初始盆地。解决方案是多项式变异（Polynomial Mutation）：对变量x，变异后x'按公式x' = x + δ·(x_upper - x_lower)生成，其中δ由分布指数η_m控制，η_m越大，δ越小。关键是η_m我们设为代数相关函数：η_m = η_m_min + (η_m_max - η_m_min) * (current_gen / max_gen)²。这样第1代η_m=2（大扰动），第500代η_m=20（微调）。实测使材料性能预测模型的收敛代数从平均320代降到180代，且最优解稳定性提升55%。这背后是深刻的工程哲学：变异不是随机撒盐，而是按进化阶段精准调控的搜索力度。你给算法的不是噪音，是带节奏的引导信号。

3.4 种群规模：不是越大越好，而是要匹配问题复杂度与硬件瓶颈

新手常以为“种群500肯定比50强”。错。种群规模是计算资源、收敛速度、多样性维持的三角平衡点。物流路径问题有200个动态客户点，解空间维度高，我们试过种群=100：收敛慢，常早熟；种群=500：内存占用超16GB，单代耗时从1.2秒涨到4.8秒，但收敛代数只减少15%，性价比极低。最终选定种群=200，配合种群分块演化（Island Model）：把200个体分成4个“岛屿”（每岛50个体），各岛独立进化，每50代进行一次“移民”（交换2个最优个体）。这既保持了多样性（岛屿间基因流缓慢），又控制了计算开销（单岛计算量小）。对比测试显示，分块演化比单一种群200快22%，且找到更优解的概率高37%。经验法则是：连续优化问题，种群规模≈10×决策变量数；组合优化问题，种群规模≈5×问题规模（如TSP城市数）。然后在此基础上，用你的GPU显存或CPU核心数做硬约束裁剪。

3.5 终止条件：代数限制是懒人借口，收敛诊断才是专业底线

写for gen in range(500):是最省事的终止方式，也是最危险的。光伏项目某次运行，第382代就完全停滞（最优适应度连续50代无提升），但程序还傻跑完500代，浪费37%算力。我们建立了一套多维度收敛诊断体系：

主指标：最优适应度连续N代无提升（N=30，对慢变问题设为50）
辅指标1：种群平均适应度与最优适应度的比值 < 0.95（说明多样性尚可，未早熟）
辅指标2：种群标准差 < 阈值（对倾角变量，设为0.8°，表示已聚集）
硬熔断：单代耗时超阈值200%（检测到硬件异常或死锁）

三者满足其一即终止。更进一步，我们加入收敛趋势预测：用最近10代最优适应度拟合直线，斜率绝对值<1e-5且R²>0.98时，判定已收敛。这套机制让平均运行代数从500降至287，算力节省42.6%，且无一例漏判。记住：终止条件不是算法的句号，而是你对问题理解深度的刻度尺。

4. 实操过程详解：从零搭建一个防早熟、可诊断、能落地的GA框架

4.1 框架骨架：用Python构建可插拔的GA引擎

我们不用DEAP等重型库，而是手写一个轻量级框架，核心就四个类：Individual、Population、Selector、CrossoverOperator。这样做的好处是：每一行代码你都清楚在做什么，调试时不会迷失在库的抽象层里。Individual类封装基因、适应度、评估时间戳；Population管理个体列表、提供统计方法；Selector和CrossoverOperator是抽象基类，具体策略如TournamentSelector、SBXCrossover继承实现。关键设计是所有算子接受配置字典而非硬编码参数：

config = { "selector": {"type": "tournament", "tournament_size": 4}, "crossover": {"type": "sbx", "eta": 15}, "mutation": {"type": "polynomial", "eta_m_min": 2, "eta_m_max": 20}, "elitism": {"elite_count": 3, "aging_threshold": 50}, "termination": {"max_gen": 500, "no_improve_gen": 30} }

这样，换一个问题只需改config，不用动核心逻辑。我在三个项目间迁移时，90%代码复用，只重写适应度函数和配置字典。框架文件仅327行，但支撑了从单变量函数优化到200维路径规划的所有任务。

4.2 适应度函数实战：如何把业务目标翻译成可进化的数学语言

以物流路径重调度为例，业务目标是：最小化总行驶距离 + 惩罚超时订单 + 均衡司机工作量。这不能直接写成fitness = -distance。我们构建分层适应度函数：

def evaluate(individual): # individual是路径序列，如[0,5,2,8,1,...]，0是仓库 routes = decode_to_routes(individual) # 解码为多条司机路径 total_distance = sum(calculate_route_distance(r) for r in routes) # 超时惩罚：每个订单有承诺时间窗，超时分钟数×100 timeout_penalty = 0 for route in routes: for i, node in enumerate(route[1:], 1): arrival_time = simulate_arrival_time(route[:i+1]) if arrival_time > order[node].deadline: timeout_penalty += (arrival_time - order[node].deadline) * 100 # 工作量均衡：司机最长路径/最短路径，越接近1越好 route_lengths = [calculate_route_distance(r) for r in routes] balance_penalty = max(route_lengths) / min(route_lengths) if min(route_lengths) > 0 else 1000 # 最终适应度：负值，越小越好（GA默认最大化） return -(total_distance + timeout_penalty + 50 * balance_penalty)

关键技巧有三：第一，所有惩罚项必须量化且可比，用“超时分钟×100”把时间惩罚拉到距离量纲；第二，权重要可调，50 * balance_penalty的50是通过A/B测试确定的——权重太小，司机抱怨工作不均；权重太大，总距离飙升。第三，加入业务硬约束检查：若解码出的路径违反车辆载重限制，直接返回float('-inf')，确保非法解被彻底淘汰。这比在交叉变异中加约束判断更干净。

4.3 精英策略实操：从代码到效果的完整闭环

精英保留看似简单，但细节决定成败。我们的ElitismManager类包含三个核心方法：

class ElitismManager: def __init__(self, elite_count=3, aging_threshold=50): self.elite_pool = [] # 存储(个体, 代数)元组 self.elite_count = elite_count self.aging_threshold = aging_threshold def update(self, population, current_gen): # 从当前种群提取最优elite_count个个体 sorted_pop = sorted(population.individuals, key=lambda x: x.fitness, reverse=True) new_elites = sorted_pop[:self.elite_count] # 更新精英池：新精英加入，旧精英检查老化 for elite in new_elites: # 查找是否已在池中 found = False for i, (e, gen) in enumerate(self.elite_pool): if e.equals(elite): # 自定义equals方法，忽略浮点微小差异 self.elite_pool[i] = (elite, current_gen) found = True break if not found: self.elite_pool.append((elite, current_gen)) # 清理老化精英 self.elite_pool = [ (e, gen) for e, gen in self.elite_pool if current_gen - gen < self.aging_threshold ] # 保证池大小不超过elite_count self.elite_pool = sorted(self.elite_pool, key=lambda x: x[0].fitness, reverse=True)[:self.elite_count] def get_elites(self): return [e for e, _ in self.elite_pool]

这个设计解决了三个痛点：第一，去重：用equals()方法比较浮点个体，避免相同解多次入库；第二，老化管理：老化精英被移出池，但不会立即销毁，而是回归普通种群参与进化，防止基因池枯竭；第三，动态排序：每次get_elites()返回的都是当前最优且未老化的精英。在物流项目中，启用此策略后，算法在突发订单插入场景下的重调度成功率从76%提升至94%，因为精英解提供了可靠的“安全锚点”。

4.4 收敛诊断模块：让算法自己告诉你“我已经好了”

诊断模块是框架的“神经系统”。我们不依赖单一指标，而是构建一个ConvergenceMonitor类，每代输出结构化诊断报告：

class ConvergenceMonitor: def __init__(self, no_improve_gen=30, diversity_threshold=0.95, std_threshold=0.8): self.history = [] # 存储(代数, 最优适应度, 平均适应度, 标准差) self.no_improve_gen = no_improve_gen self.diversity_threshold = diversity_threshold self.std_threshold = std_threshold def update(self, gen, best_fit, avg_fit, std_fit): self.history.append((gen, best_fit, avg_fit, std_fit)) # 只保留最近100代，节省内存 if len(self.history) > 100: self.history.pop(0) def should_terminate(self): if len(self.history) < self.no_improve_gen: return False recent = self.history[-self.no_improve_gen:] best_fits = [f for _, f, _, _ in recent] # 主判据：最优适应度无提升 if max(best_fits) == best_fits[-1]: # 最后一代就是最大值 # 辅判据1：多样性足够 _, _, avg_fit, _ = self.history[-1] if best_fits[-1] / avg_fit < self.diversity_threshold: return False # 多样性不足，继续 # 辅判据2：标准差小 _, _, _, std_fit = self.history[-1] if std_fit > self.std_threshold: return False # 还在探索，继续 # 趋势预测：拟合最近10代 if len(self.history) >= 10: recent10 = self.history[-10:] gens = [g for g, _, _, _ in recent10] fits = [f for _, f, _, _ in recent10] slope, r2 = linear_fit(gens, fits) if abs(slope) < 1e-5 and r2 > 0.98: return True return False def get_report(self): if not self.history: return "No data" last = self.history[-1] recent = self.history[-10:] fits = [f for _, f, _, _ in recent] slope, r2 = linear_fit([g for g, _, _, _ in recent], fits) return f"Gen{last[0]}: Best={last[1]:.3f}, Avg={last[2]:.3f}, Std={last[3]:.3f}, Slope={slope:.2e}, R²={r2:.3f}"

每代调用monitor.update()，并在主循环中if monitor.should_terminate(): break。终端实时打印monitor.get_report()，工程师一眼就能判断：“哦，标准差0.05，斜率几乎为0，R²=0.99，确实收敛了”。这比盯着屏幕数“第382代…”专业十倍。

4.5 完整运行日志：一次典型光伏倾角优化的全过程记录

以下是某次光伏项目的真实运行日志（已脱敏），展示从启动到收敛的完整脉络：

[2023-10-15 09:02:15] GA Start: Config=SBX(η=15), Tournament(4), PolyMut(ηm=2→20), Elite(3), Terminate(30-no-improve) [2023-10-15 09:02:18] Gen1: Best=-12845.3, Avg=-13201.7, Std=210.5, Diversity=0.972 [2023-10-15 09:02:21] Gen10: Best=-13120.8, Avg=-13185.2, Std=85.3, Diversity=0.994 [2023-10-15 09:02:24] Gen20: Best=-13255.1, Avg=-13248.9, Std=42.1, Diversity=0.998 # 探索期结束 [2023-10-15 09:02:30] Gen50: Best=-13320.7, Avg=-13315.2, Std=18.9, Diversity=0.999 # 快速上升 [2023-10-15 09:02:42] Gen100: Best=-13355.2, Avg=-13352.1, Std=8.7, Diversity=0.999 # 进入精细搜索 [2023-10-15 09:02:55] Gen150: Best=-13362.8, Avg=-13361.5, Std=4.2, Diversity=0.999 [2023-10-15 09:03:10] Gen200: Best=-13365.1, Avg=-13364.8, Std=1.9, Diversity=0.999 [2023-10-15 09:03:25] Gen250: Best=-13365.3, Avg=-13365.2, Std=0.8, Diversity=0.999 [2023-10-15 09:03:32] Gen287: Best=-13365.3, Avg=-13365.3, Std=0.3, Diversity=0.999, Slope=-1.2e-6, R²=0.992 [2023-10-15 09:03:32] CONVERGENCE DETECTED at Gen287. Terminating. [2023-10-15 09:03:32] Final Solution: pitch=33.72°, azimuth=178.3°, spacing=1.42, Annual_Yield=13365.3 kWh [2023-10-15 09:03:32] Improvement vs Baseline: +1.82% (Baseline=13125.6 kWh)

注意几个关键信号：Gen50后标准差从85.3骤降到18.9，说明种群快速聚焦；Gen200后标准差跌破5，进入微调区；Gen287时标准差仅0.3，且斜率趋近于零，R²高达0.992，这是典型的“平稳收敛”。整个过程耗时1分47秒，而同等精度的网格搜索需37小时。这就是工程化GA的价值：用可解释的进化过程，换取确定性的性能提升。

5. 常见问题与排查技巧实录：那些没人告诉你的坑，我都替你踩过了

5.1 问题速查表：症状、根因、解决方案三列对照

症状	根本原因	解决方案
第10代就完全停滞，所有个体适应度相同	适应度函数未做标定，高适应度个体占比过高，轮盘赌选择导致“赢家通吃”	立即切换为锦标赛选择（tournament_size=4），并添加线性适应度标定：`scaled_fit = 1.0 + (fit - min_fit) / (max_fit - min_fit + 1e-8)`
最优解在第50代出现，但第100代反而变差	精英策略未启用，优质解在交叉变异中被意外破坏	启用精英保留（elite_count=3），并确认精英个体不参与任何遗传操作（检查代码中是否遗漏`if individual in elites: continue`）
种群标准差持续为0，但最优适应度缓慢提升	变异算子失效，如高斯变异的sigma设为0，或多项式变异的η_m过大	检查变异后个体是否与父代完全相同；打印变异前后变量值；临时将η_m设为2，观察标准差是否回升
单代耗时暴涨300%，但种群规模未变	适应度函数存在隐式循环或未缓存，如每次评估都重新加载大型数据集	在适应度函数外层加`@lru_cache(maxsize=128)`装饰器；对不变输入（如客户坐标）做全局缓存；用`time.perf_counter()`定位耗时热点
收敛结果在不同运行间波动极大（±15%）	随机种子未固定，或种群初始化偏差大	在程序开头加`random.seed(42); np.random.seed(42); torch.manual_seed(42)`；初始化用拉丁超立方采样（LHS）替代随机均匀采样，提升初始多样性

5.2 早熟现象的根因诊断树：五步定位，拒绝玄学

早熟（Premature Convergence）是GA最顽固的敌人。别急着调参，先按此树诊断：

第一步：看标准差曲线
提示：如果标准差在<50代就跌破初始值的10%，且不再回升，基本确定是选择压力过大。解决方案：降低锦标赛大小（4→2），或增大轮盘赌的适应度缩放系数。
第二步：看最优适应度曲线斜率
提示：若前20代斜率陡峭（如-500/代），之后突然变平（如-0.5/代），说明算法过早锁定局部峰。检查交叉算子——单点交叉易导致此问题，切换为SBX或BLX。
第三步：抽样检查种群个体
提示：随机打印10个个体的基因，若9个完全相同，1个仅最后1位不同，说明变异率过低。计算当前变异率：实际变异基因数 / 总基因数，应维持在5%-15%。若低于5%，增大变异概率或η_m。
第四步：检查适应度函数的“平坦区”
提示：用网格扫描适应度曲面，若存在大片适应度值相同的区域（如f(x,y)=0在x∈[1,2], y∈[3,4]），算法会在此停滞。此时需在适应度中加入多样性奖励项：fitness += 0.1 * diversity_score，其中diversity_score是该个体与种群平均距离。
第五步：验证硬件与随机性
提示：在HPC集群上运行时，若不同节点结果差异大，可能是MPI进程间随机种子冲突。解决方案：每个进程用hash(f"{node_id}_{gen}") % 1000000生成独立种子。

5.3 参数调优的黄金法则：三轮渐进式实验法

别用网格搜索暴力试参，效率太低。我们用三轮渐进法：

第一轮：粗筛关键参数
固定其他参数，只调3个核心：种群规模（试100/200/500）、交叉率（0.7/0.85/0.95）、变异率（0.01/0.05/0.1）。每组跑5次，取最优结果的中位数。目标：快速排除明显劣解。
第二轮：精调耦合参数
基于第一轮最优组合，调SBX的η（10/15/20）和多项式变异的η_m（10/15/20）。注意：η和η_m是耦合的——η大则探索强，η_m需相应调大以匹配。用响应面法（Response Surface Methodology）建模，找最优曲面。
第三轮：鲁棒性验证
对第二轮最优参数，用5个不同随机种子运行，记录收敛代数、最优适应度、标准差。若最优适应度方差>2%，说明参数对初始条件敏感，需回退到第一轮，增大种群规模或加入更多精英。

我们在电池材料项目中，用此法将参数调优时间从预估的80小时压缩到9.5小时，且找到的参数在后续12个新材料体系中全部适用。