Hash 散列函数是否与进化算法的基本假设相矛盾？

使用适应度函数选择各代生存的候选对象适者生存。我相信所有的适应度函数都假设候选者的值越接近期望值，他们的输入键就必须越接近期望输入

具有生成具有给定哈希的消息不可行的属性。我理解这意味着值的接近度与键的接近度之间几乎没有关联

---

把这两者放在一起，难道这不意味着对于加密哈希函数来说，适者生存的假设是错误的吗？也就是说，如果您想使用进化算法来尝试找出加密散列值的相反方向，则适应度函数会将您推向错误的方向。值的接近度和键的接近度之间的相关性是进化算法的先决条件吗？

是的，基于三者的良好加密哈希函数的输出，构建一个一致地告诉您值a比值B更接近目标的适应度函数几乎是不可能的。这是你提到的财产。因此，对于一般情况，进化算法无法加快密码哈希函数的反转速度。然而，这并不奇怪：上述属性只在一开始有用，因为它通过查看散列值的相似性，精确地打破了进化算法加速反转的方法

概括而言，进化算法与所有其他依赖启发式引导搜索的算法一样，例如a*只有在您可以定义有意义的适应度函数启发式†时才有用。显然，通过提供太少的信息来构造不允许这样做的问题是可能的，而且很可能有更多的实际应用程序存在同样的问题。进化算法不能治愈癌症，但这也不足为奇，没有什么能治愈癌症，否则我们就换了一个不同的比喻

---

†另一方面，该适应度函数不必接近任何特定值，存在许多适应度可能无限增长的问题，例如，在优化代码性能时，适应度可能是每秒的操作数。

是，基于三者的良好加密哈希函数的输出，构建一个一致地告诉您值a比值B更接近目标的适应度函数几乎是不可能的。这是你提到的财产。因此，对于一般情况，进化算法无法加快密码哈希函数的反转速度。然而，这并不奇怪：上述属性只在一开始有用，因为它通过查看散列值的相似性，精确地打破了进化算法加速反转的方法

概括而言，进化算法与所有其他依赖启发式引导搜索的算法一样，例如a*只有在您可以定义有意义的适应度函数启发式†时才有用。显然，通过提供太少的信息来构造不允许这样做的问题是可能的，而且很可能有更多的实际应用程序存在同样的问题。进化算法不能治愈癌症，但这也不足为奇，没有什么能治愈癌症，否则我们就换了一个不同的比喻

†另一方面，该适应度函数不必接近任何特定值，存在许多适应度可能无限增长的问题，例如，在优化代码性能时，适应度可能是每秒的操作数

加密散列函数的特性是，生成具有给定散列的消息是不可行的。我理解这意味着值的接近度与键的接近度之间几乎没有关联

您对值与键的接近性的理解是正确的。事实上，这是散列函数的主要用途。而进化算法在这里也不起作用

然而，这并不是生成具有给定哈希的消息不可行的原因。这是因为散列函数不是1对1。例如，hasha=key=hashb是可能的。因此，如果给您一个密钥，则无法判断原始消息是a还是b

加密散列函数的特性是，生成具有给定散列的消息是不可行的。我理解这意味着值的接近度与键的接近度之间几乎没有关联

您对值与键的接近性的理解是正确的。事实上，这是散列函数的主要用途。而进化算法在这里也不起作用

然而，这并不是生成消息不可行的原因

---

t有一个给定的散列。这是因为散列函数不是1对1。例如，hasha=key=hashb是可能的。因此，如果给您一个密钥，就无法判断原始消息是a还是b。

可以公平地说，对于加密哈希函数，没有梯度可以引导您从一个值到另一个值，因此，它可能没有有用的适应度函数？@Gili:可以说加密哈希函数不是连续的，甚至更不可微，所以没有梯度。公平地说，对于加密哈希函数，没有梯度会引导你从一个值到另一个值，因此，它可能没有有用的适应度函数？@Gili：可以说加密哈希函数是不连续的，甚至更不可微的，所以没有什么像梯度。