Page 36 - 《软件学报》2026年第4期

翟浩杰 等: 基于自适应策略优化的鲁棒泛化权衡学习 1477

定程度时, 鲁棒性与干净准确率似乎会出现不可避免的冲突现象, 难以继续同时优化. 尽管 GAAT [21] 和 DAAT [10] 通
过分组或校准试图平衡鲁棒性与干净准确率, 但这种权衡高度依赖启发式设计, 难以在复杂任务 (如高分辨率图像
分类) 中取得最优解. 其次, 动态扰动预算存在敏感性问题, 如 SAAT [23] 和 ATAS [26] 等方法通过动态调整扰动强度
以缓解过拟合, 但可能因扰动预算的初始设置或调整策略不当导致训练不稳定.
1.3 基于演化优化的对抗攻防
基于演化优化的对抗攻防研究当前呈现显著的非对称性. 在攻击侧, 演化计算因其无梯度信息依赖特性, 已成
为黑盒攻击的核心方法之一. 该类方法通过模拟生物进化机制 (如遗传算法中的选择-交叉-变异操作、差分进化
中的种群扰动策略), 在模型结构及梯度信息未知的情况下, 高效搜索满足 L p 范数约束的对抗样本. 代表性工作包
括 Su 等人 [30] 提出的基于差分进化的单像素攻击, 通过 L 0 稀疏扰动验证了演化算法在高维空间搜索的有效性; 白
祉旭等人 [31] 提出的关键区域约束进化策略, 通过类激活热力图定位决策敏感区域, 将扰动搜索空间压缩了 63% 以
上; 以及 Williams 等人 [32] 构建的多目标优化框架, 利用 Pareto 前沿动态平衡扰动稀疏性与隐蔽性, 显著提升了对
抗样本的视觉自然性和迁移攻击成功率.
然而, 在防御侧, 利用演化优化提升模型鲁棒性的工作还十分稀少. 现有的鲁棒性增强方法, 特别是对抗训练
方法, 大多依赖固定的对抗样本生成策略, 未能有效利用演化计算方法在全局搜索、策略优化、自适应调整等方
面的优势. 以遗传算法为例, 将其应用于对抗训练主要存在以下两个难点.
1) 计算成本过高. 对抗训练通常涉及复杂的神经网络结构和高维空间运算, 而遗传算法需要通过大量迭代和
种群评估来搜索最优解, 在高维大规模问题上的计算成本很高. 此外, 对抗训练需持续生成对抗样本用于模型更
新, 每次种群评估都需要调用目标模型进行前向传播, 进一步增加了时间开销.
2) 局部最优问题. 遗传算法虽然具有较强的全局搜索能力, 但在某些情况下仍可能陷入局部最优, 尤其是在面
对非凸、非连续的目标函数时. 同时, 算法初始种群的选择至关重要, 若初始种群分布不均或多样性不足, 可能导
致搜索过程难以有效探索参数空间, 从而影响对抗样本的生成质量和攻击效果.
这种攻防方法论的非对称性导致防御策略难以适应复杂多变的攻击模式, 亟待建立基于演化优化的防御方法.
2 基础知识

本节就 TRG-ASO 方法涉及的基础知识予以介绍, 包括演化计算中的若干概念以及在此概念框架下对攻击策
略的形式化描述.
2.1 演化计算
演化计算方法是一类利用自然界进化机制 (如自然选择、变异、交叉等) 来解决复杂问题的全局优化算法.
它模拟了生物种群的进化过程, 借助适应度评估、选择、变异和交叉等操作逐步改善解的质量, 通过迭代优化来
找到问题的全局最优解或全局近似最优解. 常见的演化计算方法包括遗传算法 GA (genetic algorithm)、遗传规划
GP (genetic programming)、演化策略 ES (evolutionary strategy)、差分进化 DE (differential evolution) 等. 其中, 遗
传算法是演化计算中最为经典和应用最为广泛的算法之一, 它模拟了达尔文的自然选择理论, 通过模拟基因的交
叉、变异和选择等生物进化过程来优化问题的解. 这一类方法在求解问题时对于目标函数几乎没有要求, 不需要
其梯度信息, 对于问题的约束也没有严格限制, 同时对先验知识的依赖性低, 且由于种群的性质天然支持并行计
算, 使得其对于问题的适应性很强, 被广泛用于各类复杂问题的求解. 总的来讲, 遗传算法涉及以下核心概念.
1) 种群 (population): 由 n 个候选解 a 构成的集合 P ⊆ S, 其中 S 为解空间, 每个个体 a 称为染色体, 常用二进
制串或实数向量编码进行表示.
2) 适应度函数 (fitness function): 映射 F : S → R , 用于量化个体 a ∈ P 的质量, 值越大表示越优.
+
3) 选择操作 (selection): 基于适应度值的概率筛选机制, 常用方法包括轮盘赌选择、锦标赛选择、排序选
择等.
4) 交叉操作 (crossover): 模拟基因重组, 将两个父代个体的部分基因交换以生成子代, 典型策略包括单点交叉、