### 使用 Python 实现遗传算法解决优化问题 #### 参数设置的重要性 遗传算法的性能高度依赖于其参数的选择，例如种群大小、交叉概率、变异概率以及选择策略等。不恰当的参数可能导致过早收敛或搜索效率低下[^1]。 #### 基本实现框架 以下是基于 `DEAP` 库的一个简单遗传算法实现示例： ```python from deap import base, creator, tools, algorithms import random # 定义适应度函数和个体类 creator.create("FitnessMax", base.Fitness, weights=(1.0,)) creator.create("Individual", list, fitness=creator.FitnessMax) toolbox = base.Toolbox() # 属性生成器 toolbox.register("attr_bool", random.randint, 0, 1) # 结构初始化 toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attr_bool, n=100) toolbox.register("population", tools.initRepeat, list, toolbox.individual) # 运算符注册 def evalOneMax(individual): return sum(individual), toolbox.register("evaluate", evalOneMax) toolbox.register("mate", tools.cxTwoPoint) toolbox.register("mutate", tools.mutFlipBit, indpb=0.05) toolbox.register("select", tools.selTournament, tournsize=3) if __name__ == "__main__": pop = toolbox.population(n=50) hof = tools.HallOfFame(1) stats = tools.Statistics(lambda ind: ind.fitness.values) stats.register("avg", np.mean) stats.register("min", np.min) stats.register("max", np.max) result_pop, logbook = algorithms.eaSimple(pop, toolbox, cxpb=0.5, mutpb=0.2, ngen=40, stats=stats, halloffame=hof, verbose=True) ``` 上述代码展示了如何利用 DEAP 构建一个简单的遗传算法来最大化目标函数 \( f(x) = \sum{x} \)。 #### 多目标优化实例 对于多目标优化问题，可以采用 NSGA-II 算法。以下是一个使用 `pymoo` 的实现案例： ```python from pymoo.core.problem import ElementwiseProblem from pymoo.algorithms.moo.nsga2 import NSGA2 from pymoo.factory import get_sampling, get_crossover, get_mutation from pymoo.optimize import minimize import numpy as np class MyProblem(ElementwiseProblem): def __init__(self): super().__init__(n_var=2, n_obj=2, n_constr=0, xl=np.array([-2,-2]), xu=np.array([2,2])) def _evaluate(self, x, out, *args, **kwargs): f1 = (x[0]-2)**2 + (x[1]+1)**2 - 7 f2 = -(x[0]+2)**2 - (x[1]-1)**2 + 6 out["F"] = [f1, f2] problem = MyProblem() algorithm = NSGA2( sampling=get_sampling("real_random"), crossover=get_crossover("real_sbx", prob=0.9, eta=15), mutation=get_mutation("real_pm", eta=20), pop_size=40 ) res = minimize(problem, algorithm, ('n_gen', 100), seed=1, verbose=False) print(res.X, res.F) ``` 此代码实现了双目标优化问题，并返回了一组帕累托前沿解[^2]。 #### 参数分析方法 为了更好地理解不同参数对遗传算法的影响，可以通过实验设计的方法进行敏感性分析。常见的做法包括： - 变化单一参数（如种群规模），观察其他固定条件下算法的表现变化。 - 绘制收敛曲线以评估算法稳定性与收敛速度。 - 对多个随机种子的结果取平均值，减少偶然因素干扰。 #### 自适应遗传算法 一种改进方向是引入自适应机制，在进化过程中动态调整某些关键超参，比如根据当前代数或者群体分布特性改变交叉率和突变率。