主要数据结构和算法实现

1. 有效进化

为实现有效进化部分的算法，将主要的数据结构设置如下：

其中，ENP 与 DNP 是实现 CMA 的重要变量；StartStdDeviation、StdDeviationUpper、Domin 是实现扩散高斯扰动的重要变量；StartStdDeviation、Domin 也是实现靠近目标投影的重要变量。为 StartStdDeviation 设置了经验值0.1，这是在实验过程中探索到的能使算法结果较好的参数值。

基于 CMA 的有效进化算法见算法 4 − 3 − 1。

其中，ENP 与 DNP 是实现 CMA 的重要变量；StartStdDeviation、StdDeviationUpper、Domin 是实现扩散高斯扰动的重要变量；StartStdDeviation、Domin 也是实现靠近目标投影的重要变量。为 StartStdDeviation 设置了经验值0.1，这是在实验过程中探索到的能使算法结果较好的参数值。

基于 CMA 的有效进化算法见算法 4 − 3 − 1。

（续）

（续）

2. CMA 进化有效种群

为实现CMA 进化有效种群部分算法，将主要的数据结构设置如下：

2. CMA 进化有效种群

为实现CMA 进化有效种群部分算法，将主要的数据结构设置如下：

此处的50 与0.25 为经验值。

基于CMA 的有效种群进化算法见算法4 − 3 − 2。

此处的50 与0.25 为经验值。

基于CMA 的有效种群进化算法见算法4 − 3 − 2。

（续）

（续）(www.xing528.com)

3. 扰动压缩

为实现扰动压缩部分算法，将主要的数据结构设置如下：

3. 扰动压缩

为实现扰动压缩部分算法，将主要的数据结构设置如下：

其中，Convergence、CloseThershold 主要解决何时进行扰动压缩的问题；CloseEVectorWeight、CloseDVectorWeight 主要解决如何进行自适应扰动压缩的问题。

置信度阈值CloseThershold 用于保证找到的局部最优解必然使目标分类置信度较高。在本节，取CloseThershold 为0.6，要求扰动压缩时的目标分类置信度在0.6 以上。

收敛条件 Convergence 决定了 CMA 何时达到进化上限。在本节，将Convergence 取值为0.1，即前后两代的进化结果的Fitness 相差不到0.1 时找到局部最优解。

CloseEVectorWeight 与 CloseDVectorWeight 的变化规律采取 3σ原则。

基于 CMA 的扰动压缩算法见算法 4 − 3 − 3。

其中，Convergence、CloseThershold 主要解决何时进行扰动压缩的问题；CloseEVectorWeight、CloseDVectorWeight 主要解决如何进行自适应扰动压缩的问题。

置信度阈值CloseThershold 用于保证找到的局部最优解必然使目标分类置信度较高。在本节，取CloseThershold 为0.6，要求扰动压缩时的目标分类置信度在0.6 以上。

收敛条件 Convergence 决定了 CMA 何时达到进化上限。在本节，将Convergence 取值为0.1，即前后两代的进化结果的Fitness 相差不到0.1 时找到局部最优解。

CloseEVectorWeight 与 CloseDVectorWeight 的变化规律采取 3σ原则。

基于 CMA 的扰动压缩算法见算法 4 − 3 − 3。

利用算法 4 − 3 − 3，找到少量 L2 距离较小的有效样本后，就可以再次使用算法 4 − 3 − 2 与算法 4 − 3 − 1 来完成 L2 距离较小的对抗样本的生成工作。循环整个攻击过程，直到对抗样本达到L2 距离上的限制，并且具有较高的置信度。

利用算法 4 − 3 − 3，找到少量 L2 距离较小的有效样本后，就可以再次使用算法 4 − 3 − 2 与算法 4 − 3 − 1 来完成 L2 距离较小的对抗样本的生成工作。循环整个攻击过程，直到对抗样本达到L2 距离上的限制，并且具有较高的置信度。