PyGAD 在每代进化过程中未及时释放临时对象，导致内存持续累积直至崩溃；通过在 on_generation 回调中主动调用 gc.collect() 并避免全局变量引用，可显著降低内存占用（实测从 17% 降至约 6%）。
pygad 在每代进化过程中未及时释放临时对象，导致内存持续累积直至崩溃；通过在 `on_generation` 回调中主动调用 `gc.collect()` 并避免全局变量引用，可显著降低内存占用（实测从 17% 降至约 6%）。
在使用 PyGAD（尤其是 pygad.kerasga）进行基于 Keras 模型的遗传算法优化时，一个常见但易被忽视的问题是：RAM 使用量随代数增长而持续上升，最终触发内存溢出（OOM）或进程崩溃。根本原因在于 PyGAD 默认不会主动清理每代评估中产生的中间张量、预测结果及 Python 对象引用——尤其当 fitness_func 中频繁调用 pygad.kerasga.predict()（内部依赖 TensorFlow/Keras 动态图或 eager execution）时，未被显式释放的计算图节点和 NumPy/Tensor 对象会滞留在内存中，加之 Python 垃圾回收器（GC）并非实时触发，导致内存“缓慢泄漏”。
✅ 推荐解决方案：显式触发垃圾回收 + 避免隐式引用
最直接有效的缓解方式是在每代结束时强制执行垃圾回收，并优化 fitness_func 的变量作用域：
import gc
import pygad
import pygad.kerasga
import numpy as np
import tensorflow as tf
# 数据生成（注意：避免全局大数组，改用局部或轻量占位）
train = np.random.rand(100000, 50).astype(np.float32) # 减小规模便于测试，生产环境按需调整
label = np.random.rand(100000, 1).astype(np.float32)
# 构建模型（推荐使用函数封装，确保每次独立实例化）
def create_model(input_dim):
inputs = tf.keras.layers.Input(shape=(input_dim,))
x = tf.keras.layers.Dense(units=input_dim, activation=tf.keras.layers.LeakyReLU(alpha=0.01))(inputs)
outputs = tf.keras.layers.Dense(units=1)(x)
return tf.keras.Model(inputs=inputs, outputs=outputs)
model = create_model(train.shape[1])
keras_ga = pygad.kerasga.KerasGA(model=model, num_solutions=5)
def fitness_func(ga_instance, solution, solution_idx):
# ✅ 关键：避免 global 引用，所有数据/模型均通过闭包或参数传递
# （此处 model 和 train/label 已在外部定义，但不修改其引用关系）
try:
# 批量预测，显式控制内存（batch_size 可根据 GPU/CPU 内存调整）
preds = pygad.kerasga.predict(
model=model,
solution=solution,
data=train,
verbose=0,
batch_size=8192 # 2**13 可能过大，建议从 2**10 ~ 2**13 间调优
)
# 计算适应度（避免创建冗余布尔索引副本）
high_mask = preds > 0.7
low_mask = preds <h3>⚠️ 其他关键注意事项</h3>
- 禁用不必要的历史记录：设置 save_solutions=False 和 save_best_solutions=False（如示例所示），否则每代最优解及全部种群将被持久化存储。
- 控制批处理大小：batch_size 过大会导致单次 predict 占用过多显存/内存；建议从 2**10（1024）起步，结合 nvidia-smi 或 psutil 监控内存后逐步调优。
- 避免全局大数组：train 和 label 若为超大规模数据，建议改用 tf.data.Dataset 流式加载，或在 fitness_func 内分块读取（需配合自定义数据加载逻辑）。
- TensorFlow 版本兼容性：TF 2.10+ 对 eager 模式内存管理更友好，旧版本建议升级或显式调用 tf.keras.backend.clear_session()。
-
监控内存使用：可在 on_generation 中加入简易监控：
import psutil ram_pct = psutil.virtual_memory().percent print(f"RAM usage: {ram_pct:.1f}%")
通过上述组合策略，不仅能稳定控制内存增长，还能提升多代训练的鲁棒性与可复现性。记住：遗传算法本身无状态，但深度学习框架的执行上下文有状态——主动管理才是生产级部署的关键。
