本文详解如何基于适应度对个体进行锦标赛选择，并自动调整初始种群规模为偶数，以满足每次配对产生两个子代的需求。
本文详解如何基于适应度对个体进行锦标赛选择，并自动调整初始种群规模为偶数，以满足每次配对产生两个子代的需求。
在遗传算法中，锦标赛选择（Tournament Selection） 是一种高效、鲁棒的父代选择策略：随机抽取若干个体（即“锦标赛规模”，常取2或3），从中依据适应度选出最优者作为候选父代。但需注意——若最终需通过交叉生成子代，则父代数量必须为偶数，否则无法完成两两配对。因此，当用户输入奇数规模（如5）时，程序应主动截断至最近的偶数（即4），而非报错或强行凑数。
以下是一个完整、可运行的实现示例，包含三步关键逻辑：
- 种群规模校验与修正：使用 num_rand_num - (num_rand_num % 2) 自动向下取偶；
- 适应度计算：采用题目给定的非线性函数 $ f(x) = x^3 \cdot \sin(x) + x + 2 $；
- 锦标赛选择模拟（核心扩展）：在已有适应度列表基础上，实现真正的锦标赛抽样逻辑。
import random
import math
# Step 1: 获取用户输入并自动修正为偶数规模
num_rand_num = int(input("Digite cuantos numeros aleatorios quiere: "))
num_parents = num_rand_num - (num_rand_num % 2) # 确保为偶数
print(f"→ Ajustando tamaño de población a {num_parents} (número par para selección por torneo)")
# Step 2: 生成初始种群
po = [random.randint(0, 30) for _ in range(num_parents)]
print(f"Población inicial: {po}")
# Step 3: 计算适应度
ap = [x**3 * math.sin(x) + x + 2 for x in po]
print(f"Aptitudes calculadas:\n{ap}")
# Step 4: 实现锦标赛选择（tournament size = 2）
def tournament_select(population, fitnesses, k=2, n_select=None):
"""
Selecciona n_select padres mediante torneo de tamaño k.
Si n_select no se especifica, retorna tantos como elementos tenga la población.
"""
if n_select is None:
n_select = len(population)
selected = []
for _ in range(n_select):
# Elige k individuos al azar (con reemplazo)
candidates_idx = random.sample(range(len(population)), k)
# Encuentra el índice con mayor aptitud
winner_idx = max(candidates_idx, key=lambda i: fitnesses[i])
selected.append(population[winner_idx])
return selected
# Ejecutar selección: obtener exactamente 'num_parents' padres (par)
parents = tournament_select(po, ap, k=2, n_select=num_parents)
print(f"\n→ Padres seleccionados (torneo k=2): {parents}")
print(f"→ Cantidad total: {len(parents)} (correctamente par)")
✅ 关键注意事项：
- 避免索引越界：random.sample() 要求样本数 ≤ 总体数，因此务必先确保 num_parents ≥ k（建议 k ≤ 3，且 num_parents ≥ 4）；
- 适应度方向一致性：本例假设适应度越大越好；若问题为最小化目标，需改用 min(..., key=...) 或取负值；
- 可扩展性提示：实际GA中，通常不一次性选出全部父代，而是按需调用 tournament_select() 两次（每次选1个），再配对交叉——这更符合进化过程的随机性与多样性保持原则。
总结而言，锦标赛选择不仅是概率驱动的精英保留机制，更是连接适应度评估与遗传操作的关键桥梁。通过显式控制种群偶数性与模块化选择函数，可显著提升代码健壮性与算法可复现性。
