使用 Pygad 在适应度饱和时重新初始化种群以避免局部最优

import pygad

# 1. 定义适应度函数
def fitness_func(ga_instance, solution, solution_idx):
    """
    示例适应度函数，此处为简化演示，始终返回固定值5。
    实际应用中，此函数应根据具体优化问题计算解决方案的适应度。
    """
    return 5

# 2. 定义 on_generation 回调函数
def on_generation(ga_i):
    """
    在每一代结束后执行的回调函数。
    用于检测适应度饱和并重新初始化种群。
    """
    # 确保算法至少运行了足够多的代数，以便进行历史比较
    if ga_i.generations_completed > 10:
        # 3. 检查适应度是否饱和
        # 比较当前代最佳适应度与前10代最佳适应度是否相同
        if ga_i.best_solutions_fitness[-1] == ga_i.best_solutions_fitness[-10]:
            print(f"检测到适应度在第 {ga_i.generations_completed} 代饱和，正在重新初始化种群...")
            # 4. 重新初始化新种群
            # 使用当前实例的参数来初始化新种群，保持基因空间一致性
            ga_i.initialize_population(low=ga_i.init_range_low,
                                       high=ga_i.init_range_high,
                                       allow_duplicate_genes=ga_i.allow_duplicate_genes,
                                       mutation_by_replacement=True, # 示例参数，可根据需要调整
                                       gene_type=ga_i.gene_type)
            # 此时，一个新的种群已创建并赋值给 'population' 参数，算法将从新种群开始下一代
            print("种群已重新初始化。")

# 初始化 Pygad GA 实例
ga_instance = pygad.GA(num_generations=50,          # 总代数
                       sol_per_pop=10,              # 每代解决方案数量
                       num_genes=2,                 # 每个解决方案的基因数量
                       num_parents_mating=2,        # 每次交配的父代数量
                       fitness_func=fitness_func,   # 适应度函数
                       on_generation=on_generation, # 注册 on_generation 回调
                       init_range_low=-10,          # 基因初始范围下限
                       init_range_high=10,          # 基因初始范围上限
                       gene_type=float)             # 基因类型

# 运行遗传算法
ga_instance.run()

# 打印最终结果（可选）
print("优化完成。")
print(f"最佳解决方案: {ga_instance.best_solution()[0]}")
print(f"最佳解决方案的适应度: {ga_instance.best_solution()[1]}")