摘要：作为一种高性能通用并行求解器,并行算法组(parallel algorithm portfolios, PAPs)近年来在判定、计数以及连续、离散优化等问题上取得了突出的求解效果.传统人工构造PAP的方式依赖于大量领域知识,门槛极高.为了解决这一问题,本文提出了一种基于演化优化的PAP智能汇聚自动构造方法AutoPAP.整体上, AutoPAP遵循(n+1)演化优化框架,即在每一代生成n个候选算法,并保留最优算法加入到PAP中.考虑到算法配置空间往往非常巨大且涉及混合变量,本文设计了专用变异算子以提升AutoPAP的实际性能,并证明了AutoPAP在理论上可以达到(1-1/e)近似最优构造效果.最后,本文以旅行商问题(traveling salesman problems, TSP)为例,使用AutoPAP构造得到TSP_PAP.实验结果表明,在主流TSP测试集上, TSP_PAP的求解效率和效果均显著好于当前TSP上公认性能最佳的求解器EAX和LKH.在128个规模1000~30000的TSP测试样例上,相比于EAX和LKH, TSP_PAP可以将平均求解时间缩短至少45.71%,并将平均误差率降低至少87.50%,这体现出AutoPAP在算法自动设计与演化方面的巨大潜力.