重新审视用于源代码优化的基因改进方法：一种表型物种形成方法

《ACM Transactions on Evolutionary Learning and Optimization》：Revisiting the Fitness Landscape of Genetic Improvement for Source Code: A Phenotypic Speciation Approach

遗传改进中物种定义研究：针对代码块功能特性提出表型定义，应用于哈希表优化场景，通过概率分布差异维持多样性，增强可解释性与新颖性搜索。

　　

摘要

新兴软件系统由基本构建块组成，其中许多构建块具有不同的变体，这些变体在不同部署环境中表现优劣不一。针对源代码的遗传改进（Genetic Improvement, GI）方法已被提出，用于创建和整理这类构建块的集合。然而，新代码合成与遗传变异和交叉操作的结合会导致搜索空间变得庞大且复杂。为辅助这种搜索，人们提出了多种方法；在遗传算法（Genetic Algorithms, GAs）的背景下，引入了“物种”（species）的概念，用于识别基因型相似的个体，以控制竞争、鼓励探索遥远的局部最优解、保持多样性并避免过早收敛。在本文中，我们探讨了适用于源代码遗传改进的物种定义方法。源代码这一领域具有特殊属性：基因型相似性基本无关紧要；个体之间的距离没有明确定义；且适应度景观极其崎岖。为了提高可解释性，并在搜索空间中发现新特性，我们提出了一种基于“表型”（phenotypic）的物种定义方法，该方法能够捕捉算法的“功能”表型特征，同时排除其非功能表型特征（以及其在源代码中的具体表现形式）。我们通过一个哈希表（hash table）场景来介绍这一提议，在该场景中，物种是通过概率分布的差异来表征的。