遗传算法是一种基于概率导向的随机搜索算法,已被成功地应用到多种学习任务和最优化问题中。对于遗传算法,策略(包括算法流程、算子及其控制参数)的设计和选择至关重要,会对算法的效率乃至收敛性产生较大影响。然而,策略的选择没有完备的标准赖以遵循,尤其要确定适合的算子和控制参数并非易事。在传统的遗传算法求解函数优化问题中,一般都是根据理论分析和经验确定解决某实际问题的最优算子组合和参数的大致范围,并且往往需要在实际计算中花费大量时间经过反复尝试来调整,对于策略的选择具有很大的盲目性。于是,我们尝试引入一种新的方法,通过训练函数的策略试算构建实例库,抽取函数表达式的模式,并基于实例进行归纳学习产生知识规则,来指导其他同类函数优化策略的选择,从而大幅降低无知识指导情况下反复试错而造成计算成本消耗的几率,使得进化计算能够从先验的同类问题的计算中“吸取”经验,更加智能地选择合理的策略,以提高计算的准确性和效率。本文结合归纳学习、基于范例推理、遗传算法等相关领域的知识和方法,通过探求函数表达式的构成与由算法流程、算子和控制参数组成的优化策略的选择之间的内在联系,提出一种基于表达式构造的函数聚类及其策略优选的方法,为归纳策略优选规则提供了一条切实可行的探索途径。