种群大小：小种群 vs 大种群，到底怎么选？

说实话，种群大小这个参数，是我在调参时最纠结的一个。为什么？因为它太直观了，反而容易让人掉坑里。

你想想看，种群越大，搜索的覆盖面就越广，理论上能找到更好的解。但代价呢？计算量翻倍，收敛速度变慢。小种群跑得快，但容易陷入局部最优。这就像打仗——你是派一个连的精锐去突袭，还是派一个师去包围？

我个人习惯把种群大小看作「搜索的兵力配置」。兵力太少，打不下山头；兵力太多，后勤跟不上。今天我们就来聊聊这个平衡点。

小种群的「快」与「险」

小种群，一般指 10-50 个个体。它的优势很明显：

• 收敛速度快——每代计算量小，迭代次数少
• 内存占用低——适合嵌入式或资源受限场景
• 早期探索效率高——能快速找到「还不错」的区域

但问题也在这里。我在项目中遇到过一个小种群翻车的案例：当时调一个 10 维的调度问题，种群设了 20，跑了 50 代就收敛了。结果呢？解的质量比预期差了 30%。后来我把种群扩大到 100，同样的代数，找到了更好的解。

大种群的「稳」与「慢」

大种群，通常指 100-500 甚至更多。它的好处是：

• 搜索覆盖面广——不容易漏掉潜在的好区域
• 种群多样性高——不容易早熟收敛
• 解的质量更稳定——多次运行的结果方差小

但代价也很明显。我记得有一次做图像特征选择，种群设了 500，每代计算时间从 0.5 秒飙升到 8 秒。跑了 200 代，花了快半小时。而用 100 的种群，虽然解差了一点，但只用了 6 分钟。

说白了，大种群是用时间换质量。如果你的问题对实时性要求高，或者计算资源有限，大种群可能并不合适。

实战经验：到底选多大？

我总结了一个经验公式，不一定精确，但可以作为起点：

种群大小 ≈ 问题维度 × 10 ～ 问题维度 × 50

举个例子：

• 10 维问题 → 100 ～ 500
• 30 维问题 → 300 ～ 1500
• 100 维问题 → 1000 ～ 5000

当然，这只是一个参考。实际调参时，我建议你从较小的值开始，逐步增大，观察解的质量和计算时间的变化。

不同场景的推荐范围

核心逻辑：种群大小如何影响搜索？

下面这张图，是我自己画的种群大小影响搜索的流程图。你看完就明白了：

几个实战建议

1. 从中间值开始——我一般先设 50-100，跑几轮看看收敛曲线。如果收敛太快，说明种群太小；如果收敛太慢，说明种群太大。
2. 配合其他参数调整——种群大小不是孤立的。大种群可以配合较低的交叉变异率，小种群则需要较高的变异率来维持多样性。
3. 考虑并行计算——如果你的算法支持并行评估个体，大种群反而有优势。因为并行开销被摊薄了。
4. 动态调整——有些策略进化算法支持种群大小动态变化。初期用大种群探索，后期缩小种群加速收敛。这个技巧我后面会专门讲。

嗯，关于种群大小，今天就聊这么多。记住一句话：小种群求快，大种群求稳。你的问题需要什么，你自己最清楚。