随着神经网络技术的发展,研究者们在众多机器学习任务上取得了前所未有的精度,但网络模型的大小和所需运算量也与日俱增。在尽量维持精度的前提下,如何降低模型的大小、提高运算速度成为了神经网络模型投入实际生产中急需解决的问题。为了提高神经网络的效率,研究者们提出了许多轻量化网络结构。但在实际生产中,针对具体问题的神经网络结构通常需要专家设计,带来了大量的人工试错成本。神经网络架构搜索技术是一种新兴的技术,通过算法自动搜索合适的网络架构,代替了人工试错,并能取得超越人工设计的效果。本文将神经网络架构搜索技术应用到轻量化网络模型的搜索中,并提出了新型的基于进化算法的模型搜索方法。经典的进化算法神经网络架构搜索使用锦标赛算法作为搜索策略,该方法有容易陷入局部最优的缺陷。本文受到群居动物繁衍方式的启发,提出了分组锦标赛算法。本文提出的算法以锦标赛算法为基础,将种群划分为若干子种群分别进行锦标赛,并添加了子种群的淘汰与补充机制,解决了锦标赛算法容易陷入局部最优的问题。针对轻量化神经网络的架构搜索问题,本文提出了搜索空间的确立原则,并以CIFAR-10为目标,设计了相应的搜索空间。另外,本文还通过合理的权重共享策略,大大缩减了网络架构搜索所需要的运算时间。在CIFAR-10数据集上进行了轻量化卷积神经网络模型的搜索实验结果显示,本文提出的搜索方法得到地最佳模型与其他网络架构搜索算法相比,在拥有最小的参数量的同时,准确率保持了足够的竞争力。同时,本算法所需要的运算资源仅为7个GPU日,搜索效率较高。