基于遗传算法的数据情报侦查方法研究.pdf

COLIJPOLJIZHO中GUIZHOU POLICE COLLEGE学一报贵州華案学院基于遗传算法的数据情报侦查方法研究薛亚龙刘梓泞（宁夏警官职业学院，宁夏银川7 50 0 2 1）摘要：鉴于在传统数据情报侦查过程中存在多源异构数据分布的离散性、数据关联聚类收敛的耗时性、情报价值需求协调的反向异配性等突出问题，为了提升数据情报侦查运算挖掘分析的准确性和精确性，引入基于遗传算法的数据情报侦查方法研究范式。以遗传算法数据情报侦查的内涵与属性为研究逻辑起点，提出遗传算法数据情报侦查的平台设计方案，构建遗传算法数据情报侦查的流程模型，探讨遗传算法数据情报侦查的应用方法。这不仅能够帮助侦查人员延伸数据情报侦查源的生命周期性，而且还能够帮助其提升犯罪行为与非犯罪行为关联规则构建的聚类性，创新和拓展数据情报侦查的思维模式，从而实现遗传算法数据情报侦查的应然价值和实然效果。关键词：遗传算法；数据犯罪情势；情报侦查Research on Data Intelligence Detection Method Based on Genetic AlgorithmXue Yalong,LiuZining(Ningxia Police Officer Career College,Yinchuan 750021,China)Abstract:In view of the dispersion of multi-source heterogeneous data distribution,time-consuming convergence of dataassociation clustering,and reverse heterogeneity of intelligence value demand coordination in the traditional data intelligenceinvestigation process,a research paradigm of data intelligence investigation method based on genetic algorithm is introducedto improve the accuracy and precision of data intelligence investigation operation mining analysis.Taking the connotationand attributes of genetic algorithm data intelligence investigation as the logical starting point of the research,the plaformdesign scheme of genetic algorithm data intelligence investigation is proposed,the process model of genetic algorithm dataintelligence investigation is constructed,and the application method of genetic algorithm data intelligence investigation isexplored.This can not only help investigators to extend the life cycle of data intelligence investigation sources,but also helpthem to improve the clustering of criminal and non-criminal behavior association rules construction,innovate and expand thethinking mode of data intelligence investigation,so as to realize the contingent value and real effect of genetic algorithm dataintelligence investigation.Keywords:genetic algorithm;data crime situation;intelligence investigation中图分类号：D918.2文献标识码：A文章编号：2 0 9 6-8 7 52（2 0 2 3）0 2-0 0 7 7-0 8DOl:10.13310/ki.gzjy.2023.02.011数据情报挖掘是依据特定的应然情报价值需求和实然情报目标选择，通过数据归约、数据集成等预处理技术，利用决策树算法、蚁群算法等不同的关联聚类算法对其进行运算和挖掘，进而获得具有规律性的预测或决策的情报研判过程。I然而，在传统数据情报侦查过程中往往存在多源异构数据分布的离散性、情报价值需求协调的反向异配性等突出问题，造成极易出现情报侦查错收稿日期：2 0 2 2-0 3-2 6基金项目：教育部人文社科规划资助项目（2 0 YJC820028）。作者简介：薛亚龙（19 8 5一），男，陕西榆林人，宁夏警官职业学院现代侦查技战法研究中心主任，副教授，侦查学博士，研究方向为数据情报侦查；刘梓泞（19 9 7），女，宁夏吴忠人，宁夏警官职业学院成人教育培训处教师，研究方向为数据情报侦查。82023年第2 期大数据警务与网络安全BigData Basd Potieng and Nermork Security误或陷人情报侦查僵局。2 鉴于此，引人基于遗传算法的数据情报侦查方法研究范式。这不仅是将遗传算法广泛应用于社会各行业领域的必然趋势，而且还是多源数据驱动创新时代数据情报侦查模式创新和转型的内在本质需求。一、遗传算法数据情报侦查的内涵与属性在遗传算法数据情报侦查的挖掘分析过程中，其不仅能够充分发挥不同遗传算法进行平台设计、流程模型构建等价值优势，而且还能够全面提高数据情报侦查预测或决策的优质性。因此，在多源数据驱动创新时代应该赋予遗传算法数据情报侦查新的内涵与属性。（一）遗传算法数据情报侦查的内涵从遗传算法的主要原理和运算价值优势而言，其具有显著的特点为：第一，随机优化性。利用遗传算法在寻求全局最优解时不需要考虑其过程的不同内在属性范畴，不管数据类别形态是线型的或非线型的，还是数据集成是连续的或离群的，都会依据遗传算法的运算价值优势而进行随机优化的运算和挖掘。3 第二，评估灵活性。在通过目标函数对不同数据进行检索的过程中，只需要对数据的适应度系数进行检验和评估即可，不需要再采取数据附加或数据推导等检索算法。第三，并行结算性。在遗传算法的应用过程中主要采取多点并行的结算方式，这不仅能够提高遗传算法中求解全局最优值的高效性，而且还能够有效克服和降低局部求解最优值现象的出现。4 因此，结合遗传算法的主要原理和价值优势，遗传算法数据情报侦查的内涵为：侦查人员利用数据情报侦查价值需求与生物遗传进化过程的正向同配属性关系，将各种数据情报源通过构建形成不同的数据染色体并使其种群初始化，然后选择不同的遗传算法对各种数据染色体分别采取选择操作、交叉操作以及变异操作等运算挖掘，进而帮助其获得数据情报侦查预测或决策全局最优解的一种新型数据情报侦查方法（二）遗传算法数据情报侦查的属性1.数据多源性在多源数据驱动创新时代，各种多源数据已成为遗传算法数据情报侦查的重要战略资源，不仅创新和转变了遗传算法数据情报侦查的理念思维模式，而且还变革和转型了遗传算法数据情报侦查的途径渠道。尤其是将遗传算法的运算价值优势和数据情报侦查的特殊价值需求进行互相融合，各种不同类别形态和结构属性的多源数据呈现出跨域性、跨媒性等突出特征，促使数据多源性成为遗传算法数据情报侦查最为鲜明的首要属性。诚然，遗传算法数据情报侦查的数据多源性不但使各种多源数据能够被快速高效的应用于不同的情报侦查应用场景，而且还有利于不同遗传算法数据情报侦查应用方法的创新和拓展2.算法集成性为了提升遗传算法数据情报侦查挖掘与分析应用的准确性和精确性，侦查人员需要将各种涉及对多源数据进行挖掘的数据向量分析、数据统计归纳分析、数据时空矩阵分析以及数据热点矩阵分析等不同形式的遗传算法实现运算挖掘之间的融合集成，以便更好地实现对涉嫌数据犯罪情势在多源数据清洗聚类、关联数理关系规则预置、平台流程模型构建等运算挖掘分析的客观性和高效性。5 所以，遗传算法数据情报侦查的算法集成性主要体现在情报价值需求与多源数据汇集、情报价值目标与平台设计、遗传算法与情报挖掘流程模型以及情报侦查决策实施与检验评估反馈等的互相结合和组合3.情境目标特定性虽然不同场景领域需求的情报侦查任务存在一定的差异性，但是从情报侦查的内在本质而言其均具有显著的情境目标特定性。对于侦查人员来说，挖掘与涉嫌数据犯罪情势具有潜在的关联数理关系和情报侦查预测或决策的应用转化是其最为重要的情报侦查任务。同时，从实现遗传算法数据情报侦查的应然价值而言，其情报侦查的主要任务集中于对涉嫌数据犯罪情势生存与态势发展的预测、犯罪行为与非犯罪行为的关联规则构建、多源数据的运算挖掘分析等重点场景领域，也表现了其情境目标的特定性。薛亚龙，刘梓泞基于遗传算法的数据情报侦查方法研究GUIZHOU POLICECOLLEGE学一报贵州华紫学院情报侦查价值需求数据集成搜集数据标准处理数据云端存储数据流程分析数据协同传递数据集成搜集制定数据标准数据结构确定情报需求多源数据开放全面性数据集成搜集统一数据管理数据模型运算挖掘分析多源数据共享多维性搜集集成搜集构建数据档案数据离散综合检验评估多源数据安全时效性数据事务输出情报结果多源数据价值数据一致性图1遗传算法数据情报侦查的平台设计方案二、遗传算法数据情报侦查的平台设计鉴于在传统数据情报侦查平台设计中存在情报周期设计的孤立性、情报挖掘流程的僵化性等突出问题，提出基于生命周期的遗传算法数据情报侦查的平台设计方案。从遗传算法数据情报侦查的平台设计功能价值而言，其平台设计应该包括数据集成搜集、数据标准处理、数据云端存储等5个模块（见图1）。一）数据集成搜集模块数据集成搜集的主要目的是为后续的数据标准处理、数据云端存储等模块提供数据情报源的来源支撑和算法保障，侦查人员在进行数据集成搜集时需要满足以下3个条件：第一，全面性。侦查人员对涉案各种多源数据在集成搜集的数量方面必须具有足够多的全面性，这不仅是支撑实现遗传算法数据情报侦查价值需求的必要性条件，而且还是了解和掌握涉嫌数据犯罪情势生存与态势发展的实然应对选择，尤其要重点集成搜集与情报侦查价值需求具有潜在关联数理关系方面的各种多源数据。第二，多维性。不仅需要集成搜集结构型数据、非结构型数据、半结构型数据等多源数据，而且还需要集成搜集数值型数据、文本型数据、符号型数据等多源数据，提升数据搜集类别形态和结构属性的多样性，进而满足遗传算法数据情报侦查的不同情报价值需求。第三，时效性。遗传算法数据情报侦查的挖掘与分析应用具有很强的时效性，这就必然要求侦查人员在数据集成搜集时必须满足对涉案多源数据运算挖掘的高效性要求，越是收敛速度快和耗时性低所获得的各种多源数据就越具有很高的情报价值。（二）数据标准处理模块数据标准处理的平台任务主要是帮助侦查人员将不同类别形态和结构属性的多源数据进行分类数据仓库构建，并对各种多源数据进行分类有序的规范管理和形成新的数据情报源，进而帮助有效解决部分数据情报源生命周期存在环节割裂等问题。数据标准处理主要包括3个方面：首先，制定数据标准。一方面，构建元数据标准。侦查人员不仅要对多源数据的敏感度等级、存储保留期等及时进行分类数据仓库构建，而且还需要随时依据涉嫌数据犯罪情势的变化而对元数据的标准进行及时的更新和修正；另一方面，规范数据挖掘标准。主要从对多源数据的数据归约、数据聚类等建立统一的运算挖掘标准，促使能够实现对数据挖掘的规范化标准构建。其次，统一数据管理。各种多源数据的数量呈指数级的系数迅猛增长，必然给侦查人员对涉嫌数据犯罪情势的挖掘与分析带来了更大的复杂性。侦查人员只有以多源数据的元数据为基础标准而构建统一有效的数据管理标准，才能够提高遗传算法数据情报侦查高效性的功能价值。最后，构建数据档案。构建数据档案的价值在于将涉案不同来源的各种多源数据进行关联聚类和数据仓库重建使其形成新的数据情报源，进而为后续数据云端存储、数据流程分析等平台模块应用奠定基础和创造条件。6（三）数据云端存储模块数据云端存储不仅是对涉案多源数据进行运算挖掘的基础，而且还是提高对多源数据进行访问调度安全性和高效性的必然途径。从实现遗传算法数据情报侦查的应然价值角度而言，数据云端存储主要包括数据结构、数据模型、数据离散等。其中：第一，数据结构。数据结构的任务就在于将这些不同类别形态和结构属性多源数据的格式进行统一结构化标准的处理，进而有利于对其进行后续的运算和挖掘分析。第二，数据模型。数据模型主要是反映各种涉案多源数据在数据仓库中如何被汇集、挖掘、检索等，可将其又分为数据库存储模型、数据文件存储模型等。第80州2023年第2 期大数据警务与网络安全isig Data Based Pulicing andi Network Security三，数据离散。数据离散主要包括数据擦除编码和数据复制两部分，数据擦除编码是指重复对多源数据采取切割和编码技术，直到所有多源数据被切割到大小指数较为均匀的数据块为止，然后将不重复的多源数据直接写人到新的数据仓库；而数据复制是指将各种多源数据重新复制到新的数据仓库之中，即使对多源数据在进行遗传算法的运算挖掘时出现数据缺失等特殊情况，仍然可以利用新数据仓库中的多源数据继续进行运算挖掘，并不影响遗传算法数据情报侦查应用的精确性。第四，数据事务。数据事务主要是指对多源数据序列内的具体操作范式，侦查人员要么全部不执行，要么全部执行，具有明显的隔离性、原子性等特征。第五，数据一致性。在对不同涉案多源数据的运算挖掘过程中，各种多源数据呈现出数据存储一致性的分布式关联聚类模式，保证了不同涉案多源数据被云端存储的原始性，从而确保了遗传算法数据情报侦查应用的客观性。（四）数据流程分析模块依据遗传算法数据情报侦查的流程模型构建，可以将数据流程分析具体分为以下步骤：首先，确定情报需求。由于各种多源数据与涉嫌数据犯罪情势的关联性呈现出弱相关的数理关系属性，所以侦查人员必须重新确定情报需求，从而确认在遗传算法数据情报侦查运算挖掘过程中所需的各种多源数据。然后，运算挖掘分析。侦查人员可采取模型定量、数据热点矩阵分析等不同的遗传算法对多源数据展开挖掘与分析，从而避免和降低出现情报侦查决策偏差或者错误等概率。其次，综合检验评估。侦查人员由于对数据情报侦查思维模式、数据情报侦查价值需求等认知存在非统一性的缘由，可能使被运算挖掘分析的多源数据也存在类别形态和结构属性的差异性。因此，侦查人员应该对不同多源数据采取不同的遗传算法进行运算和挖掘分析，并对其所获结果进行全面客观的综合检验评估，确保遗传算法数据情报侦查运算挖掘分析过程的准确性。最后，输出情报结果。经过对运算挖掘结果进行综合检验评估之后，侦查人员即可获得遗传算法数据情报侦查应用的输出情报结果（五）数据协同传递模块一是，多源数据开放。侦查人员需要特别重视不同多源数据的安全系数，重点需要检验多源数据开放的场景应用、开放技术、开放范围以及开放的规范管理等，进而帮助其提高多源数据开放的安全系数和降低风险防范损失系数。二是，多源数据共享。多源数据共享主要是通过对各种多源数据的互相融合和数据仓库构建来实现其数据情报资源的整合，这有利于提高遗传算法数据情报侦查的合成作战效果。三是，多源数据安全。一般而言，遗传算法数据情报侦查中的各种数据情报源是被严格保密和控制的，但是鉴于涉嫌数据犯罪情势突出的复杂性、动态性等特点，迫使其在适当的范围内必然需要被公开，以便于不同数据情报侦查中各主体的共同参与。四是，多源数据价值。侦查人员对涉案各种多源数据通过采取不同遗传算法进行挖掘分析之后，所获结果即是满足遗传算法数据情报侦查的情报价值需求。三、遗传算法数据情报侦查的流程模型构建遗传算法数据情报侦查的流程模型构建不仅具有衔接其平台设计的价值功能，而且还具有检验评估和修正反馈其应用的引导作用。鉴于此，可将遗传算法数据情报侦查的流程模型分为数据种群编码流程、数据种群初始化流程等。（一）楼数据种群编码流程数据种群编码流程就是将遗传算法数据情报侦查的情报价值预设需求转换为不同遗传算法的运算挖掘方式，为后续的流程模型构建奠定运算基础和提供挖掘保障，进而消除和降低对数据交叉遗传算子、数据变异遗传算子等运算执行的制约。鉴于传统二进制数据编码存在数据编码融合差异性大、数据编码风险损失严重、数据编码关联聚类弱相关等突出运算挖掘问题，8 侦查人员可采用基于整数编码运算的数据种群编码方式。（二）数据种群初始化流程数据种群初始化流程的任务是帮助侦查人员对多源数据运算挖掘的数据种群规模进行初始化的预置和检验，对遗传算法数据情报侦查运算81JIZHOU薛亚龙，刘梓泞基于遗传算法的数据情报侦查方法研究GUIZHOUPOLICECOLLEGE学一报贵州华索学院挖掘的精确性具有关键性的导向作用。由于数据种群初始化的混沌算法属于非线性的数据多变编码结构模式，9 所以侦查人员可利用Logistic映射函数而形成具有混沌属性的数据种群初始化预置和检验序列。例如，侦查人员可将Logistic映射函数公式表示为Yn+I=uY，（1-Y,），其中表示数据种群初始化预置和检验的控制参数阈值为0,4，而Y,则表示数据种群被初始化第n次预置和检验的遍历值且n的阈值为 0,1。（三）数据适应度函数流程数据适应度函数流程的主要价值在于评估遗传算法数据情报侦查运算和挖掘分析应用的优劣性，以便满足其非负性、单值性以及合理性等不同情报价值需求的优劣程度系数。10 为了提升数据适应度函数运算结果的科学性，侦查人员可将其函数公式设为F=Z-WF+c，其中c表示数据适应度函数的非负性，Wi表示不同约束性条件系数在数据适应度函数中的加权权重系数，且ZW,=1。（四）数据遗传算子设计流程数据遗传算子设计流程是整个遗传算法数据情报侦查流程模型构建的核心构成要素，具体又可分为数据遗传选择算子、数据遗传交叉算子、数据遗传变异算子等3个方面。第一，数据遗传选择算子。数据遗传选择算子的主要目的是为保留数据种群构建的多样性和实现优胜劣汰的运算挖掘规律，侦查人员可采取精英数据保留的数据遗传选择算子运算策略，促使具有最优解属性的各种多源数据能够直接进人下一流程模型构建中。第二，数据遗传交叉算子。数据遗传交叉算子主要用于侦查人员对不同多源数据进行数据种群进化的繁衍过程，通常采用数据遗传单点交叉的算子方式进行交叉运算。第三，数据遗传变异算子。数据遗传变异算子主要帮助侦查人员预防和应对在数据种群进化过程中出现数据遗传基因突变的相关情况，一般是通过利用数据遗传的单点变异方式而实现对数据种群的个体概率性变异。（五）数据终止运算条件流程在数据终止运算条件流程中，当侦查人员确定和选择数据种群中对多源数据运算挖掘分析实现全局最优解或达到遗传算法的最大数据运算迭代次数为止，即可表示完成遗传算法数据情报侦查的数据终止运算条件流程。四、遗传算法数据情报侦查的应用方法探讨在探讨遗传算法数据情报侦查应用方法的过程中，不仅需要考虑遗传算法数据情报侦查的平台设计、流程模型构建等，而且还要考虑其运算应用的数据遗传算子、数据终止运算条件等价值优势。这既是实现遗传算法数据情报侦查应然价值的内在本质必然要求，而且还是预防和打击涉嫌数据犯罪情势生存与态势发展变化的实然应对选择。（一）协同进化遗传算法协同进化遗传算法主要通过对两个中间组的协同进化而促进数据优质挖掘和数据劣质挖掘之间的互相融合，从而实现各种数据种群之间协同进化和其内不同个体数据之间自我协同进化的一种应用遗传算法。12 为了实现遗传算法数据情报侦查运算和挖掘获取全局最优解的应然价值，可将协同进化遗传算法具体分为以下步骤：第一，初始化预置协同进化参数。协同进化参数的初始化预置是展开协同进化遗传算法的前提支撑，首先需要将数据种群编码和规模、数据运算最大迭代次数等进行初始化预置。第二，设置初始种群的适应度值。侦查人员还需要对数据种群内各种多源数据赋予不同的适应度阈值，以便提高后续运算挖掘数据优质和数据劣质的精确性。第三，构建数据优质组和数据劣质组。将数据种群内多源数据适应度阈值较小的前2/3构建为数据仓库的数据优质组，而其阈值较大的前2/3构建数据仓库的数据劣质组，两者剩余的则为数据中间组。第四，设置数据的交叉概率和变异概率。侦查人员可将数据优质组的交叉概率和变异概率分别设置为0.8、0.0 3，然后采取单点交叉配合多点变异的设置运算方式将中间组的交叉概率设置为0.9，而变异概率设置为0.0 7。第五，获取数据最优解连续运算的相同次数。如果所获取的次数小于3，那么就可依据自适应变异882报太数据警务与网络安全BigDttalasedPoficmgandNeuorkSerurty2023年第2 期函数公式直接计算和获取所需的数据变异因子；反之，则需要依据数据灾变原理重新赋予其最优解阈值。13 第六，判断终止协同进化遗传算法运算条件。如果所获取运算和挖掘分析的结果符合遗传算法数据情报侦查的情报价值预设需求，那么即可终止协同进化遗传算法；反之，则需要侦查人员返回第三步重新开始运算挖掘，直到符合其情报价值预设需求或达到协同进化遗传算法的最大数据迭代运算次数为止。（二）BP神经网络遗传算法BP神经网络遗传算法主要结合BP神经网络算法和遗传算法的运算加载优势，具有优化和提升遗传算法功能价值的一种混合性遗传算法。14 依据BP神经网络遗传算法的运算原理，可将其具体分为以下步骤：一是，参数运行初始化。侦查人员需要对数据种群中多源数据的总个数、交叉和变异概率系数、遗传进化的数据总代数等参数进行初始化设置。二是，初始化数据种群和计算数据编码长度。一方面，初始化数据种群。基于对不同多源数据加权的权重阈值需求，可将数据种群的初始化区域设在 0,1 之间；另一方面，计算数据编码长度。依据神经网络加权权重和阈值之间的关联数理关系，侦查人员可利用数据编码长度的运算公式L=nq+qq+qm+m+2q进行运算挖掘。三是，数据适应度的运算和评估。侦查人员可利用轮盘选F(K)取函数运算公式P(K)=对数据适应度运2.J()算的阈值进行评估和检验，进而提高不同多源数据被运算挖掘的利用率。四是，交叉和变异操作。在交叉操作过程中，侦查人员可在阈值 0,1 区域范围内随机生成各种多源数据的交叉因子，再选其任意一个进行数据融合交换即可重新生成和获得两个全新的数据编码个体。而在变异操作的过程中，需在阈值 0,1 区域范围内随机生成不同多源数据的变异判断因子Pn。15 五是，运算子代数据种群。经过前期的交又和变异操作，如果子代数据种群内的多源数据种群编码总数没有达到预设的N，那么需求继续执行数据的交叉和变异操作，直到其数据种群编码总数达到预设的N为止。（三）米粒子群遗传算法粒子群遗传算法是基于鸟类觅食行为而全局随机检索的一种应用遗传算法，具有运算挖掘效能高、内涵并行稳定以及数据收敛速度快等运算价值优势。16 为了确保遗传算法数据情报侦查预测或决策的安全协同性和正向同配属性关系的实现，可将粒子群遗传算法具体分为以下应用步骤：第一，设定数据运算和挖掘环境。首先需要预置粒子群中多源数据的数据节点相邻系数、数据路径长度以及数据连边的加权权重系数等，然后再确定数据仓库起点、平台设计方案以及流程模型构建等运算挖掘状态。第二，构建数据的粒子群聚类频繁项目集合。侦查人员需构建以数据节点大小为N和数据路径长度为K的数据粒子群聚类频繁项目集合，并通过计算和确定赋予不同多源数据的数据适应度阈值。第三，优化数据粒子群的收敛速度和存储位置。结合粒子群遗传算法的运算价值优势和不同多源数据的适应度阈值预设，侦查人员需要及时高效地优化数据粒子群的收敛速度和数据仓库构建的存储位置，从而能够帮助其运算和寻找到全局最优的数据粒子群。第四，增强数据粒子群的多样性。侦查人员可采用变异操作、交叉操作等不同遗传算法来增强数据粒子群的多样性，并通过数据精英算子来实现最优数据仓库的构建与存储。第五，更新情报价值需求和概率系数。此处，需要侦查人员对涉案情报价值预设需求和不同数据运算挖掘分析的路径进行检验比对，检验比对这两者之间是否出现互相融合或交互的现象，及时帮助其消除和降低出现穴余、离群等数据粒子群运算。然后选取和确定最优的数据粒子群运算挖掘路径，并及时同步更新情报价值需求和概率系数。第六，判断和终止粒子群遗传算法。如果完成了对所有多源数据的数据粒子群运算挖掘路径，那么输出结果即可；反之，则需要从第二步开始重新构建数据的粒子群聚类频繁项目集合，直到完成所有多源数据的数据粒子群运算挖掘路径为止。83EGE薛亚龙，刘梓泞基于遗传算法的数据情报侦查方法研究GUIZHOUPOLICECOLLEGE学一报贵州華案学院（四）免疫优化遗传算法免疫优化遗传算法主要是将待求解问题作为抗原，问题对应的解作为抗体，以两者间的亲和力描述可行解与最优解的接近程度，抗体间的亲和力描述不同候选解之间的距离，17 具有运算收敛速度快、全局最优解搜索能力强等突出的运算价值优势第一步，初始化运算参数。依据免疫优化遗传算法的运算挖掘分析需求，侦查人员需要先对抗体数据种群规模、数据适应度函数、数据变异概率等运算参数进行初始化预置。第二步，设置数据编码。侦查人员可采取随机的方式选取不同的抗体数据种群并将运算挖掘的寻优范围分别设定为 0,50 、0,1、0,2 0 等区域，然后再利用十进制浮点数的运算方式对其进行统一的数据编码设置。第三步，更新数据记忆库。侦查人员还需要将具有高适应度阈值的抗体数据存储到数据仓库的记忆库中，取代原记忆库中较低适应度阈值的各种抗体数据。第四步，实施遗传算法操作。侦查人员可利用选择算子、交叉算子等遗传算法对多源数据进行运算挖掘，进而帮助其完成对各种抗体数据、抗原数据等数据种群的关联聚类频繁项目构建。第五步，构建和产生新一代数据种群。将获取的新抗体数据与数据记忆库更新后的抗体数据进行互相融合，即可构建和产生形成新一代的数据种群。第六步，判断是否符合终止条件。侦查人员需要判断分析所形成新一代的数据种群是否符合该运算挖掘的终止条件，如果经过判断分析其符合运算的终止条件，那么需要其输出Kcp、K c p、K c p 等免疫优化遗传算法运算和挖掘分析的最优解即可；反之，则需要返回到第三步重新开始运算挖掘，直到达到免疫优化遗传算法的最大数据运算迭代次数为止。（五）差分选择自适应遗传算法差分选择自适应遗传算法是以各种事件数据日志为挖掘基础，利用数据适应度函数运算和赋予不同数据种群的适应度阈值，对不同数据种群采取差分选择策略和参数自适应调整的一种应用遗传算法。18 1依据遗传算法数据情报侦查的平台设计价值需求，可将差分选择自适应遗传算法分为以下步骤：第一步，创建启发式规则的初始数据种群。启发式规则主要是通过事件日志变化的数据情报信息来确定不同涉嫌数据犯罪情势之间的因果关系，所以侦查人员首先需要创建启发式规则的初始数据种群，从而为提高差分选择自适应遗传算法的精确性奠定基础。第二步，计算数据种群的适应度阈值。侦查人员可利用数据适应度函数公1式F=1+EMSE运算挖掘各数据种群内不同多源数据的适应度系数，并赋予其相适应的数据适应度阈值。19 第三步，挖掘父代多源数据。从已构建的数据种群中选取5个不同的多源数据即 R，R2，R s 并运算赋予其数据适应度阈值为FD，然后从小于数据适应度阈值FD的数据种群中随机选取2 个不同的多源数据，将其中一个以精英概率U为标准选择距离FD最近的多源数据为父代多源数据，而其中另外一个则以精英概率1-U的标准选择距离FD为最远的另外一个父代多源数据。第四步，交叉遗传算法操作。将两个不同父代多源数据按照其数据适应度阈值较高的标准进行挖掘分析，并以这两者事件数据日志挖掘分析结果的共同交叉点作为遗传因子进行交叉遗传算法操作。第五步，变异遗传算法操作。侦查人员依据前期已构建的启发式规则对涉及直接后继、直接前继等关联数理关系进行挖掘，然后将其中的任何一个关联数理关系挖掘分析内容T添加到原始活动数据T的数据种群之中即可获得变异后的数据T2。第六步，获取最佳局部最优解。若结果运算和获取后的活动数据T符合遗传算法数据情报侦查的情报价值需求，那么就可终止其差分选择自适应遗传算法；反之，则需要返回到第二步重新开始运算挖掘直到多源数据难以被再次采取数据变异操作为止。（六）关联规则挖掘遗传算法关联规则挖掘遗传算法主要是利用数据最小支持度的度量对数据候选集进行数据剪枝，获取新的数据频繁项目关联子集再使其重新连84报责任编辑：李媛媛大数据警务与网络安全Big Data Based Policing andNerwork Sceurity2023年第2 期接成新的数据候选集，然后继续对其采取重复剪枝和重复连接等运算的一种关联遗传算法。12 0)首先，扫描形成数据矩阵。侦查人员需对已构建的数据情报源数据库按照关联规则对涉及相同或相似的各种数据情报源进行互相融合和转换压缩，进而获取到所需具有加权权重系数W的数据矩阵M。然后，连接数据候选集。将数据情报源的数据库D=T，T 2，T)设为连接标准,对数据最小支持度的度量为2 的I4之后数据情报源进行删除，挖掘得到数据频繁项目关联子集L,=1i，I 2，I 3，I 5，再通过连接1-数据情报源项子集后即可获得运算所需的连接数据候选集(13，I5、(12,15)、(12,I 5)、(1,3、(1,I)。2 1 其次,获取数据频繁项目关联2-子集。将经过运算获取连接数据候选集数据最小支持度的度量分别设置为2、3、1、3、3、2，此处只需要其去除数据候选集(I，I 5)后即可得到数据频繁项目关联2-子集，且L2=(13，I 5)，(12，I 5)，(12，I 3)，(I,I3)，(I i，I l)。再次，获取数据频繁项目关联3-子集。通过连接数据频繁项目关联2-子集L，使其大于等于3的数据候选集数量为4，再依据数据最小支持度的度量异单调性属性去除(I，I 5)的数据候选集即可获得数据最小支持度的度量指数为2 的数据频繁项目关联3-子集L=(，I，I3)，(I 2，I 3，I 5)。最后，终止算法。侦查人员继续连接数据频繁项目关联3-子集L，使其大于等于4 的数据候选集数量为1，且其数据最小支持度的度量指数为2，此时即可终止关联规则挖掘遗传算法的运算挖掘，所获结果即为遗传算法数据情报侦查的情报价值所需。综上所述，遗传算法数据情报侦查主要包括协同进化遗传算法、BP神经网络遗传算法、粒子群遗传算法等多种方法，且不同的遗传算法数据情报侦查方法都有着不同的价值优势。参考文献：1薛亚龙，刘如意.动态性数据预测引导侦查方法研究.山东警察学院学报，2 0 2 0（3）：6 8-8 1.2薛亚龙，刘梓泞.混合动态性数据情报侦查方法研究.贵州警察学院学报，2 0 2 2（1）：9 2-10 6+115.3宋修广，张营超，庄培芝，等.基于遗传算法的道路安定极限优化求解方法).山东大学学报（工学版），2 0 2 1(5):1-7.4 Capecchi Alice,Zhang Alain,Reymond Jean-Louis.Populating Chemical Space with Peptides Using a GeneticAlgorithml.Journal of chemical information andmodeling,2020(1):56-63.5薛亚龙，刘如意.论数据驱动情报侦查方法的转型.中国刑警学院学报，2 0 2 0（5）：4 2-4 7.6 Li Kui,Zhang Ting,Guo Hao,Wang Hua.Design oforthogonal phase encoding for basis function based ongenetic algorithmj.International Journal of Information andCommunication Technology,2020（4):12 5-133.7晋刚，何志豪，王英俊.基于遗传算法的5G频率选择表面形状优化方法).华南理工大学学报（自然科学版),2 0 2 1（11)：9 5-10 5.8 Mordecai F.Raji,Huapeng Zhao,Happy N.Monday.Fastoptimization of sparse antenna array using numerical Greensfunction and genetic algorithmj.International Journal ofNumerical Modelling:Electronic Networks,Devices andFields,2020（4)：2 56-2 6 2.9 S.Muniyappan,P.Rajendran.Contrast Enhancement ofMedical Images through Adaptive Genetic Algorithm(AGA)overGenetic Algorithm(GA)and Particle Swarm Optimization(PSO)UJ.Multimedia Tools and Applications,2019(6):326-331.10胡竣涛，时小虎，马德印.基于均值漂移和遗传算法的护工调度算法.广西师范大学学报（自然科学版），2021(3):27-39.11冯增喜，李丙辉，张聪.基于遗传算法的MFAC参数寻优.计算机仿真，2 0 2 1（3）：17 0-17 4.12徐健锐，朱会娟.基于自适应惩罚函数的云工作流调度协同进化遗传算法.计算机科学，2 0 18（8）：10 5-112.13 A.S.Abubakar,K.R.Ekundayo,A.A.Olaniyan.Optimalreconfiguration of radial distribution networks using improvedgenetic algorithml.Nigerian Journal of TechnologicalDevelopment,2019(1):89-101.14 Wenjun Xiong,Hui Zhao.Automatic Test Data GenerationMethod for Industrial Control Configuration Software basedon Genetic Algorithmj.International Journal of IntelligentInformation and Management Science,2019(5):423-431.15 Nazanin Ezazshahabi,Mohammad Amani Tehran,MasoudLatifi.Predictive model for the frictional characteristics ofwoven fabrics optimized by the genetic algorithmJJ.TheJournal of The Textile Institute,2018(8):69-78.16满春涛，刘博，曹永成.粒子群与遗传算法优化支持向量机的应用.哈尔滨理工大学学报，2 0 19（3）：8 7-9 2.17闫萍，刘梦诗.基于免疫遗传算法的停机位动态再分配优化).计算机仿真，2 0 2 1（10）：53-57.18张星，黄凯峰，封居强.基于差分选择和自适应参数的遗传挖掘算法.长春师范大学学报,