Pygad进化算法：应对适应度饱和的种群动态重置策略

import pygad

def fitness_func(ga_instance, solution, solution_idx):
    """
    一个简单的适应度函数，返回常数5。
    在实际应用中，此函数会根据解决方案的质量计算适应度，例如最小化误差或最大化收益。
    本示例中设定为常数，是为了快速演示适应度饱和及种群重置机制。
    """
    return 5

def on_generation_callback(ga_i):
    """
    每一代结束后调用的回调函数，用于检测适应度饱和并重置种群。
    """
    saturation_window = 10  # 定义饱和检测窗口：如果最佳适应度在连续10代内未改进，则认为饱和

    # 确保已经完成了足够的世代来检查饱和（至少需要 'saturation_window' 代的历史数据）
    if ga_i.generations_completed > saturation_window:
        # 检查过去 'saturation_window' 代的最佳适应度是否相同
        # ga_i.best_solutions_fitness[-1] 是当前代的最佳适应度
        # ga_i.best_solutions_fitness[-saturation_window] 是 'saturation_window' 代前的最佳适应度
        if ga_i.best_solutions_fitness[-1] == ga_i.best_solutions_fitness[-saturation_window]:
            print(f"检测到适应度饱和，在第 {ga_i.generations_completed} 代重置种群。")

            # 重新初始化一个新种群
            # 使用当前GA实例的参数来确保基因空间、类型等与原始问题定义一致
            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 影响新种群基因的生成方式，
                                       # 与GA运行时的变异操作是独立的。
                                       gene_type=ga_i.gene_type)
            # 此时，一个新的种群已经创建并赋值给 'population' 参数，
            # 算法将从这个全新的种群开始下一代的迭代。

# 初始化Pygad GA实例
ga_instance = pygad.GA(num_generations=50,             # 总世代数
                       sol_per_pop=10,                 # 每代种群中的解决方案数量
                       num_genes=5,                    # 每个解决方案中的基因数量
                       num_parents_mating=4,           # 每次交配中选择的父代数量
                       fitness_func=fitness_func,      # 适应度函数
                       on_generation=on_generation_callback, # 注册回调函数
                       init_range_low=0,               # 基因的下限
                       init_range_high=10,             # 基因的上限
                       allow_duplicate_genes=True,     # 是否允许重复基因
                       gene_type=float)                # 基因类型

# 运行遗传算法
ga_instance.run()

# 打印结果（可选）
print("\n算法运行结束。")
solution, solution_fitness, solution_idx = ga_instance.best_solution()
print(f"找到的最佳解决方案: {solution}")
print(f"最佳解决方案的适应度: {solution_fitness}")

# 绘制适应度曲线（需要matplotlib库）
try:
    ga_instance.plot_fitness()
except Exception as e:
    print(f"绘制适应度曲线失败：{e}。请确保已安装matplotlib库。")