计算机科学家历来善于借鉴自然界的理念，例如进化。在优化计算机程序方面，过去五六年间出现了一种非常有趣、以进化为基础的方法，有望为工业界乃至最终的消费者带来难以估量的益处。我们称之为遗传改进。
遗传改进是指编写一个自动化“程序员”，通过反复试验修改软件的源代码，使其运行效率更高。这可能包括调换代码行的顺序、删除代码行并插入新行——与人类程序员的做法十分相似。随后，会根据某种质量指标测试每次修改，以确定新版本代码是否优于旧版本。其做法是对大型软件系统进行细微调整，以取得更好的结果。
益处
这些干预能在程序员所说的软件功能属性方面带来多种益处。例如，它们可以提高程序的运行速度，或消除漏洞。也可以用来帮助将旧软件移植到新硬件上。
其潜力不止于此。由于遗传改进作用于源代码，它也能改善所谓的非功能属性。这些属性包括并非只关乎程序输入输出行为的各种特征，例如软件消耗的带宽或能源。对于人类程序员来说，这些问题往往尤其棘手，因为光是构建能够正确运行的软件就已经是一项艰巨任务。
近年来，我们看到一些遗传改进的实例开始受到认可——尽管目前仍局限于大学之内。一个早期的典型案例可追溯至 2009年：由新墨西哥大学和弗吉尼亚大学开发的自动化“程序员”，在从媒体播放器到俄罗斯方块游戏等各种软件中修复了105个漏洞中的55个。为此，它赢得了5,000美元（3,173英镑）和金色 Humie 奖；该奖项旨在表彰通过遗传与进化计算取得的成就。
过去一年里，伦敦的伦敦大学学院（UCL）监督了两个研究项目，展示了这一领域的潜力（完全披露：两项研究都有合著者 William Langdon 参与）。第一项 涉及 一种遗传改进程序，它能够处理一款代码超过50,000行的大型复杂软件，并将其功能运行速度提高到原来的70倍。
第二项 完成了 首次自动化的整套软件移植：研究人员将名为 Babel 的语言翻译程序插入名为 Pidgin的即时通信系统中。
自然与计算机
要理解这一机遇的规模，就必须认识到软件是一种独特的工程材料。在电气和机械工程等其他工程领域，人们可能会在制造最终产品之前先建立计算模型，因为这有助于深化认识并测试特定设计。另一方面，软件本身就是它自己的模型。软件的计算模型仍然是一个计算机程序。它真实呈现最终产品，因此能最大限度地发挥自动化程序员对其进行优化的能力。
正如我们在开篇所说，计算机科学家借鉴自然界理念有着悠久传统。例如，自然界启发了遗传算法；遗传算法会在现实问题的数百万种可能答案中进行搜索，针对包含许多变量的问题找出最佳答案。应用实例包括从设计完整的道路配送网络，到微调发动机设计。
尽管在这一语境下，进化这一比喻已成了某种负担， 正如这里所讨论的，遗传算法已经取得了一些成功，其结果可与人类编写的程序相媲美，甚至更胜一筹。
进化也启发了 遗传编程，它试图利用少量指令从头构建程序。然而，它有其局限。众多批评意见之一是，它甚至无法进化出通常会要求本科一年级学生编写的那类程序，因此也无法扩展到大型跨国公司的支柱——庞大软件系统。
因此，遗传改进对这一领域而言是一种格外有趣的另辟蹊径。它不试图从头重写整个程序，而是通过少量细微修改取得成功。它甚至不必局限于遗传改进本身。Babel/Pidgin 的案例表明，它还可以将一款软件移植到另一个程序中，这类似于外科医生将器官从捐献者移植到受者体内。这提醒我们，总体目标是实现软件工程自动化。无论自然界能在发展这一引人入胜的新领域时教给我们什么，我们都应全力汲取。
本文由 The Conversation合作发布。本文的发布并不意味着世界经济论坛认同其中观点。
如需持续了解议程动态， 请订阅我们的每周简报。
作者：John R. Woodward 是斯特灵大学计算机科学讲师。Justyna Petke 是伦敦大学学院（UCL）进化、搜索与测试研究中心的研究助理。William Langdon 是伦敦大学学院（UCL）的首席研究助理。
图片：2013年2月28日，华沙，一名男子正在敲击电脑键盘。路透社/Kacper Pempel
