Python遗传算法怎么做_进化策略与目标函数全局优化-Python教程-PHP中文网

scipy.optimize.differential_evolution 是最省事的全局优化方法，收敛稳、自动处理边界、对非凸/噪声函数鲁棒；需注意目标函数返回标量、bounds为tuple列表、防nan/inf、避免目标函数中print等细节。

python遗传算法怎么做_进化策略与目标函数全局优化

绝大多数场景下，别自己手写遗传算法——differential_evolution 是 SciPy 内置的进化策略实现，收敛稳、接口干净、自动处理边界，比手动调 deap 或 pygad 少踩 80% 的坑。

它本质是带变异-交叉-选择的实数编码进化算法，不依赖种群初始化质量，对非凸、非连续、带噪声的目标函数鲁棒性强。

目标函数必须返回标量（float），且参数为一维 numpy.ndarray，例如 def obj(x): return x[0]**2 + x[1]**2
bounds 必须是 list of tuple，如 [(-5, 5), (0, 10)]，不能传 np.array 或单个 tuple
默认种群大小是 popsize=15 × 参数维数，高维问题（>20 维）建议显式设 popsize=20 防早熟
遇到 RuntimeWarning: invalid value encountered in double_scalars，大概率是目标函数在某次评估中返回了 nan 或 inf，加一行 if np.any(np.isnan(x)) or np.any(np.isinf(x)): return np.inf 拦住

哪怕你只优化一个目标，deap 强制要求 fitness.values 是元组，写成 (score,) 而不是 score。漏掉逗号会报错 TypeError: 'float' object is not iterable，这个错误信息完全不提示真实原因。

Shadows Python Sensei

Python 最佳实践助手——代码规范、设计模式、性能优化、测试与类型注解。适用于编写或审查 Python 代码。

下载

注册评估函数时，确保返回 tuple：toolbox.register("evaluate", lambda ind: (obj_func(ind),))
用 tools.initRepeat 初始化种群，别用 list(map(...))，否则后续 varAnd 可能出错
如果目标函数计算开销大，务必用 tools.selTournament 替代 selRoulette，轮盘赌在适应度差异大时容易退化成“只选最优个体”
cxBlend 和 mutGaussian 对边界敏感：若个体超出 bounds，不会自动裁剪，得自己 wrap 一层 np.clip

多进程模式下（pool.map 或 multiprocessing.Pool），直接在目标函数里 print 可能引发输出缓冲冲突，表现是程序假死、CPU 占满但无进展，或报 OSError: [Errno 9] Bad file descriptor。

调试时改用 logging.info 并配置 logging.basicConfig(level=logging.INFO)
或者加锁：from multiprocessing import Lock; print_lock = Lock()，然后 with print_lock: print(...)
更稳妥的做法是把中间结果存到文件或共享内存，而不是实时打印
注意：Windows 下 spawn 启动方式会让模块重载，print 可能出现在错误进程中，现象更难排查

它对初始点不敏感，适合 scipy.optimize.minimize(method="BFGS") 容易陷在局部极小的函数，比如含多个尖峰、平台区或离散跳变的目标。

别指望它在 100 次迭代内搞定 100 维问题；典型实践是：先用 differential_evolution 粗搜（maxiter=1000），再把结果当起点交给 minimize(method="L-BFGS-B") 精调
若目标函数本身有随机性（如蒙特卡洛模拟），进化算法会抖动，此时必须固定 random.seed 或在目标函数里设 np.random.seed(int(np.abs(x).sum()*1e6) % 2**32)
收敛判断别只看 success 字段——它只表示达到 tol，而 tol 默认是 1e-2，对工程精度常不够，得人工检查 result.fun 是否稳定