简介《Hands-On Genetic Algorithms with Python》第二版2024年6月出版是一份面向数据科学家、AI工程师与机器学习学习者的英文PDF电子书由Eyal Wirsansky撰写。全书聚焦如何用Python从零实现遗传算法系统讲解编码、选择、交叉、变异等核心组件并通过优化、分类、神经网络超参数调优、路径规划等实战案例展示遗传算法在搜索空间巨大、目标函数复杂场景下的独特优势。与传统数学优化方法相比书中着重说明遗传算法如何模拟自然选择过程在潜在解群体中迭代求解并逼近最优解同时介绍了将遗传算法与神经网络、强化学习结合使用的方法。资源为单个PDF文件体积5.99MB内容完整从环境准备到具体实现均有说明代码示例覆盖问题定义、算法构建到结果分析全流程方便读者迁移到自己的AI/ML项目中。目前已有54人学习下载是系统掌握进化解题思路并动手实践的高性价比参考。1. 遗传算法不是调参玩具从《Hands-On Genetic Algorithms with Python》说起如果只看涉案金额遗传算法在机器学习鄙视链上常年垫底——没有梯度可反传、收敛慢、还动不动陷入局部最优。但真正在工业里处理过组合优化、排班调度或特征选择的人会发现这类问题根本没有像样的梯度可用而遗传算法反而成了少数能给出足够好解的通用方案。《Hands-On Genetic Algorithms with Python, 2nd Edition》这本书的价值不在理论推导而在于它把遗传算法拆成了可组合的积木编码、适应度、选择、交叉、变异每一块都有独立的实现套路和参数经验。这一版新增了神经网络超参数搜索和强化学习策略优化的章节恰好补上了从会跑demo到能解决实际问题之间的空白。对于已经在用scikit-learn和PyTorch的工程师来说遗传算法不是替代品而是一个在搜索空间不连续、评估函数不可导时值得先试的基线方案。2. 编码与适应度函数决定遗传算法上限的两个设计决策2.1 为什么编码方式比算法本身更影响结果遗传算法的搜索空间由编码定义编码决定了染色体的形态和算子操作的语义。同一类问题二进制编码在算子实现上最省事但Hamming悬崖问题会让相邻整数在二进制表示下差异巨大例如70111和81000需要翻转全部四位导致搜索过程在边界附近反复横跳。实数编码在连续优化中更自然DEAP里的gp.genRand或直接使用list结构即可但要注意变异步长的尺度。排列编码则适用于旅行商、任务调度这类顺序敏感的问题交叉算子需要专门设计以保持排列合法性。代码层面DEAPDistributed Evolutionary Algorithms in Python是这本书的主力库创建自定义编码的模板如下import random from deap import base, creator, tools, algorithms creator.create(FitnessMin, base.Fitness, weights(-1.0,)) creator.create(Individual, list, fitnesscreator.FitnessMin) def init_individual(lo0, hi31, size8): return [random.randint(lo, hi) for _ in range(size)] toolbox base.Toolbox() toolbox.register(individual, tools.initIterate, creator.Individual, init_individual) toolbox.register(population, tools.initRepeat, list, toolbox.individual)creator.create定义适应度类型weights(-1.0,)表示单目标最小化元组长度对应目标个数多目标优化写成(-1.0, 1.0)就是双目标。tools.initIterate通过传入的生成函数构造个体这里的init_individual返回整数列表等价于一个长度为8的实数编码染色体。tools.initRepeat则用于生成整个种群。一个容易忽略的点creator.create必须在模块顶层调用一次重复执行会报AttributeError因为DEAP不允许重复注册同名类。2.2 适应度函数设计的三个实用经验适应度函数直接决定遗传算法的选择压力。过多的可行解会让选择压力不足进化过程像随机游走过度的惩罚又会让种群早期就全部淘汰。常见做法是把约束条件转成惩罚项叠加到目标函数上而不是硬性过滤不可行解。惩罚系数需要根据目标函数的数量级来设定例如目标值在千级、惩罚系数取10到100可以先用对数坐标粗调再二分精调。依赖工具方面Fitness对象的values属性在每代评估后由算法写入toolbox.evaluate返回的必须是元组。很多新手把评估函数写成返回floatDEAP会在分配适应度时抛出TypeError。建议在评估函数的第一行就做一次输入类型检查def evaluate(individual): if not isinstance(individual, list): raise TypeError(individual must be list) x individual[0] y individual[1] # Rosenbrock 函数经典测试函数 return ((1 - x) ** 2 100 * (y - x * x) ** 2,)Rosenbrock函数虽然简单但能验证编码、算子和参数选择是否协调它的全局最优点位于一个狭长抛物线谷底若遗传算法能在有限的代数内逼近(1,1)说明基础配置有效若长期停留在谷底边缘通常是变异率过低导致局部搜索能力不足。3. DEAP实现遗传算法的核心流程与算子配置3.1 从种群初始化到迭代循环的最小代码骨架DEAP的algorithms.eaSimple封装了标准进化循环但它隐藏了每一步的细节。建议第一版先用手写循环理解全流程再切换到封装函数提升效率。def main(): POP_SIZE 50 CX_PB 0.7 MUT_PB 0.2 NGEN 40 toolbox.register(evaluate, evaluate) toolbox.register(mate, tools.cxBlend, alpha0.5) toolbox.register(mutate, tools.mutGaussian, mu0, sigma0.2, indpb0.1) toolbox.register(select, tools.selTournament, tournsize3) pop toolbox.population(nPOP_SIZE) fitnesses list(map(toolbox.evaluate, pop)) for ind, fit in zip(pop, fitnesses): ind.fitness.values fit for gen in range(NGEN): offspring toolbox.select(pop, len(pop)) offspring list(map(toolbox.clone, offspring)) for child1, child2 in zip(offspring[::2], offspring[1::2]): if random.random() CX_PB: toolbox.mate(child1, child2) del child1.fitness.values del child2.fitness.values for mutant in offspring: if random.random() MUT_PB: toolbox.mutate(mutant) del mutant.fitness.values invalid_ind [ind for ind in offspring if not ind.fitness.valid] fitnesses map(toolbox.evaluate, invalid_ind) for ind, fit in zip(invalid_ind, fitnesses): ind.fitness.values fit pop[:] offspring best tools.selBest(pop, 1)[0] return best这段代码对应标准遗传算法的完整流程选择父代、复制个体tools.clone防止共享引用、按交叉概率配对交叉、按变异概率对个体变异凡是发生过遗传操作的个体都要删除其旧的适应度值DEAP用fitness.valid属性判断是否需要重算。tools.selTournament的tournsize控制锦标赛规模取值3到7之间。锦标赛规模越大选择压力越强但种群多样性下降得越快规模为2时选择压力最温和适合前期探索。tools.cxBlend是实数编码的常用交叉算子子代基因取父代基因的线性组合alpha控制外推范围。alpha0时子代只落在两父本之间alpha0.5允许超出父本范围能增加探索性。tools.mutGaussian对基因施加高斯噪声mu0表示不偏移均值sigma控制步长indpb控制单个基因位的变异概率。sigma取值与被优化变量的量纲相关一般取变量取值范围的1/10到1/20。3.2 选择、交叉、变异三个算子怎么配算子类别DEAP实现适用场景关键参数选择selTournament通用首选压力可控tournsize3选择selRoulette适应度正值且差距适中无参需适应度为正选择selNSGA2多目标优化无参返回精英集交叉cxOnePoint二进制编码无参交叉cxTwoPoint二进制编码抗破坏性强于单点无参交叉cxBlend实数编码alpha0.5交叉cxOrdered排列编码TSP类问题无参变异mutFlipBit二进制编码indpb0.05变异mutGaussian实数编码mu0, sigma0.1~0.3变异mutShuffleIndexes排列编码随机交换位置indpb0.1经验和直觉的差别往往在算子搭配上。二进制编码建议用cxTwoPoint加mutFlipBit交叉率高但变异率低0.01到0.05。实数编码建议用cxBlend加mutGaussian交叉率0.7左右变异率0.2左右——这里的变异率是指个体级概率每个基因位的实际改动概率由indpb控制。排列编码必须使用保序交叉算子如cxOrdered否则子代会出现重复基因位产生非法解。一个常见的坑是种群过早收敛。如果每代的最佳适应度基本不变但平均适应度持续上升说明选择压力过大可以调大tournsize、降低交叉率或提高变异率。更直接的监控手段是每代输出种群内所有个体的适应度标准差标准差降到初始值10%以下时说明种群多样性基本耗尽靠算子参数已经很难挽回要考虑引入移民机制或重启策略。4. 实战用遗传算法解旅行商问题的完整流程4.1 数据准备与DEAP中的排列编码实现旅行商问题是检验遗传算法实现能力的试金石因为它的解空间是n!量级穷举根本不可能而贪心算法又容易陷入局部最优。import random import numpy as np from deap import base, creator, tools, algorithms cities [(random.uniform(0, 100), random.uniform(0, 100)) for _ in range(20)] def eval_tsp(individual): distance 0 for i in range(len(individual) - 1): c1 cities[individual[i]] c2 cities[individual[i 1]] distance np.hypot(c1[0] - c2[0], c1[1] - c2[1]) distance np.hypot(cities[individual[-1]][0] - cities[individual[0]][0], cities[individual[-1]][1] - cities[individual[0]][1]) return (distance,) creator.create(FitnessMin, base.Fitness, weights(-1.0,)) creator.create(Individual, list, fitnesscreator.FitnessMin) toolbox base.Toolbox() toolbox.register(indices, random.sample, range(len(cities)), len(cities)) toolbox.register(individual, tools.initIterate, creator.Individual, toolbox.indices) toolbox.register(population, tools.initRepeat, list, toolbox.individual) toolbox.register(evaluate, eval_tsp) toolbox.register(mate, tools.cxOrdered) toolbox.register(mutate, tools.mutShuffleIndexes, indpb0.05) toolbox.register(select, tools.selTournament, tournsize3) pop toolbox.population(n100) result, log algorithms.eaSimple(pop, toolbox, cxpb0.8, mutpb0.1, ngen200, verboseTrue) best_tsp tools.selBest(pop, 1)[0] print(fBest route: {best_tsp}, distance: {eval_tsp(best_tsp)[0]:.2f})TSP问题编码直接采用城市索引的排列染色体长度等于城市数量。random.sample生成的排列天然不含重复元素省去了修复非法解的步骤。cxOrdered在处理两个父代时会保留其中一个父代的连续子序列再按另一个父代的顺序补充缺失的城市保证子代仍然是合法排列。mutShuffleIndexes随机交换两个位置的城市索引indpb设为0.05表示每个基因位有5%的概率参与交换对20个城市的规模来说平均每次变异影响1到2个位置。4.2 结果分析与参数调优方向运行上述代码并开启verbose日志会输出每代的最优值和平均值。20个城市的最优路径距离通常在200到300之间城市坐标范围0到100如果200代后距离仍在350以上优先调整的方向是种群大小和交叉率而不是变异率——TSP的解空间结构决定了交叉算子对优质片段的组合能力比变异更重要。第二个排查点是锦标赛规模tournsize从3调高到5选择压力上升收敛速度变快但伴随的风险是提前收敛到局部最优。进阶调整可以引入精英保留先调用tools.selBest(pop, k)把当前最优个体原样复制到下一代再执行常规进化操作。DEAP的algorithms.eaSimple默认不保留精英但algorithms.eaMuPlusLambda实现了(mulambda)策略更符合实际操作习惯。提示调试阶段建议固定随机种子否则每次运行结果不同很难判断调参是否真的有效。在文件头部设置random.seed(42)同时给numpy也设置np.random.seed(42)保证实验可复现。5. 约束处理与多目标优化的两个实用扩展5.1 惩罚函数处理带约束的优化问题工程问题几乎都带约束比如设备数量上限、资源总容量、时间窗口限制。直接在个体生成时就满足约束当然理想但多数场景下约束条件互相冲突设计完全合法的编码本身就构成了一个难题。更通用的做法是引入惩罚函数约束违背越大惩罚越重个体的适应度越差。def eval_with_constraint(individual): value objective(individual) constraint_violation 0 total_weight sum(individual[i] * weights[i] for i in range(len(individual))) if total_weight capacity: constraint_violation (total_weight - capacity) / capacity penalty constraint_violation * 1000 return (value penalty,)惩罚系数的设定是这类问题的关键。系数过小不可行解依然有机会进入下一代种群最终停在不可行区域系数过大可行解与不可行解的适应度差距悬殊早期可行解极少时选择机制等于随机抽签。经验法则是让惩罚项的数值量级与目标函数量级相当先做一次无约束优化记录目标函数的典型取值范围再据此设定惩罚系数。另一种思路是约束支配法两个解比较时先比较约束违背程度如果违背程度有差异则违背少的更优只有违背程度相同时才比较目标函数值。这个思路在多目标优化中演化成了NSGA-II的约束支配规则。5.2 DEAP实现NSGA-II解决双目标问题creator.create(FitnessMulti, base.Fitness, weights(-1.0, -1.0)) creator.create(Individual, list, fitnesscreator.FitnessMulti) toolbox.register(evaluate, eval_multi_objective) toolbox.register(mate, tools.cxSimulatedBinaryBounded, eta20.0, low0, up1) toolbox.register(mutate, tools.mutPolynomialBounded, eta20.0, low0, up1, indpb0.1) toolbox.register(select, tools.selNSGA2) pop toolbox.population(n100) for gen in range(100): offspring algorithms.varAnd(pop, toolbox, cxpb0.8, mutpb0.2) combined pop offspring pop tools.selNSGA2(combined, len(pop))NSGA-II的核心是selNSGA2的两次排序先按Pareto支配关系分层同一层内的个体再按拥挤距离排序。拥挤距离大的个体优先保留以维持种群在Pareto前沿上的均匀分布。cxSimulatedBinaryBounded和mutPolynomialBounded是实数编码多目标优化的标配eta控制算子产生的子代与父代的相似程度eta越大子代越接近父代收敛更稳定但探索能力下降典型值是20。多目标优化的结果评估不再看单一指标而是看Pareto前沿的覆盖度和均匀度。DEAP不直接提供评估函数可以自行计算两个指标世代距离世代距离表示解集与真实前沿的平均距离需要知道真实前沿或参考点和超体积指标解集覆盖的目标空间体积无需真实前沿但计算成本随维度上升。6. 算完别急着交付的验证方法遗传算法是随机算法单次运行的最优解没有统计意义。我在实际项目中至少会做三遍验证第一遍用固定随机种子跑10次记录每次的最优值和达到该值的代数看收敛轨迹是否稳定第二遍用不同的随机种子跑30次统计最优值的分布如果方差超过均值的10%说明算法稳定性不足需要调整参数或增加种群规模第三遍用已知最优解的标准测试函数验证实现正确性比如Rastrigin函数在0处取全局最优0如果算法连这种标准函数都找不到次优逼近问题多半不在参数而在编码或算子有缺陷。监控DEAP运行过程时logbook是比print更可靠的记录工具。algorithms.eaSimple返回的log对象记录每一代的统计量可以用log.select(gen, min, avg)提取数据配合matplotlib绘制收敛曲线。曲线形态比数值更说明问题单调下降无平台期说明收敛速度合理中途出现回升大概率是变异步长过大破坏了已形成的优质模式。最后分享一个实践中往往被忽视的技巧不要一上来就追求最优解先用小种群快迭代跑通流程再逐步增加种群规模和进化代数。种群从50调到200收敛质量会显著提升但计算时间也变为4倍如果目标函数本身计算耗时优先用并行评估——把toolbox.register(map, pool.map)换成进程池的映射函数DEAP会自动并行评估个体。这一行改动经常能把优化时间从小时级压到分钟级。本文还有配套的精品资源点击获取 遗传算法工程实践：基于DEAP的编码、算子与多目标优化
简介《Hands-On Genetic Algorithms with Python》第二版2024年6月出版是一份面向数据科学家、AI工程师与机器学习学习者的英文PDF电子书由Eyal Wirsansky撰写。全书聚焦如何用Python从零实现遗传算法系统讲解编码、选择、交叉、变异等核心组件并通过优化、分类、神经网络超参数调优、路径规划等实战案例展示遗传算法在搜索空间巨大、目标函数复杂场景下的独特优势。与传统数学优化方法相比书中着重说明遗传算法如何模拟自然选择过程在潜在解群体中迭代求解并逼近最优解同时介绍了将遗传算法与神经网络、强化学习结合使用的方法。资源为单个PDF文件体积5.99MB内容完整从环境准备到具体实现均有说明代码示例覆盖问题定义、算法构建到结果分析全流程方便读者迁移到自己的AI/ML项目中。目前已有54人学习下载是系统掌握进化解题思路并动手实践的高性价比参考。1. 遗传算法不是调参玩具从《Hands-On Genetic Algorithms with Python》说起如果只看涉案金额遗传算法在机器学习鄙视链上常年垫底——没有梯度可反传、收敛慢、还动不动陷入局部最优。但真正在工业里处理过组合优化、排班调度或特征选择的人会发现这类问题根本没有像样的梯度可用而遗传算法反而成了少数能给出足够好解的通用方案。《Hands-On Genetic Algorithms with Python, 2nd Edition》这本书的价值不在理论推导而在于它把遗传算法拆成了可组合的积木编码、适应度、选择、交叉、变异每一块都有独立的实现套路和参数经验。这一版新增了神经网络超参数搜索和强化学习策略优化的章节恰好补上了从会跑demo到能解决实际问题之间的空白。对于已经在用scikit-learn和PyTorch的工程师来说遗传算法不是替代品而是一个在搜索空间不连续、评估函数不可导时值得先试的基线方案。2. 编码与适应度函数决定遗传算法上限的两个设计决策2.1 为什么编码方式比算法本身更影响结果遗传算法的搜索空间由编码定义编码决定了染色体的形态和算子操作的语义。同一类问题二进制编码在算子实现上最省事但Hamming悬崖问题会让相邻整数在二进制表示下差异巨大例如70111和81000需要翻转全部四位导致搜索过程在边界附近反复横跳。实数编码在连续优化中更自然DEAP里的gp.genRand或直接使用list结构即可但要注意变异步长的尺度。排列编码则适用于旅行商、任务调度这类顺序敏感的问题交叉算子需要专门设计以保持排列合法性。代码层面DEAPDistributed Evolutionary Algorithms in Python是这本书的主力库创建自定义编码的模板如下import random from deap import base, creator, tools, algorithms creator.create(FitnessMin, base.Fitness, weights(-1.0,)) creator.create(Individual, list, fitnesscreator.FitnessMin) def init_individual(lo0, hi31, size8): return [random.randint(lo, hi) for _ in range(size)] toolbox base.Toolbox() toolbox.register(individual, tools.initIterate, creator.Individual, init_individual) toolbox.register(population, tools.initRepeat, list, toolbox.individual)creator.create定义适应度类型weights(-1.0,)表示单目标最小化元组长度对应目标个数多目标优化写成(-1.0, 1.0)就是双目标。tools.initIterate通过传入的生成函数构造个体这里的init_individual返回整数列表等价于一个长度为8的实数编码染色体。tools.initRepeat则用于生成整个种群。一个容易忽略的点creator.create必须在模块顶层调用一次重复执行会报AttributeError因为DEAP不允许重复注册同名类。2.2 适应度函数设计的三个实用经验适应度函数直接决定遗传算法的选择压力。过多的可行解会让选择压力不足进化过程像随机游走过度的惩罚又会让种群早期就全部淘汰。常见做法是把约束条件转成惩罚项叠加到目标函数上而不是硬性过滤不可行解。惩罚系数需要根据目标函数的数量级来设定例如目标值在千级、惩罚系数取10到100可以先用对数坐标粗调再二分精调。依赖工具方面Fitness对象的values属性在每代评估后由算法写入toolbox.evaluate返回的必须是元组。很多新手把评估函数写成返回floatDEAP会在分配适应度时抛出TypeError。建议在评估函数的第一行就做一次输入类型检查def evaluate(individual): if not isinstance(individual, list): raise TypeError(individual must be list) x individual[0] y individual[1] # Rosenbrock 函数经典测试函数 return ((1 - x) ** 2 100 * (y - x * x) ** 2,)Rosenbrock函数虽然简单但能验证编码、算子和参数选择是否协调它的全局最优点位于一个狭长抛物线谷底若遗传算法能在有限的代数内逼近(1,1)说明基础配置有效若长期停留在谷底边缘通常是变异率过低导致局部搜索能力不足。3. DEAP实现遗传算法的核心流程与算子配置3.1 从种群初始化到迭代循环的最小代码骨架DEAP的algorithms.eaSimple封装了标准进化循环但它隐藏了每一步的细节。建议第一版先用手写循环理解全流程再切换到封装函数提升效率。def main(): POP_SIZE 50 CX_PB 0.7 MUT_PB 0.2 NGEN 40 toolbox.register(evaluate, evaluate) toolbox.register(mate, tools.cxBlend, alpha0.5) toolbox.register(mutate, tools.mutGaussian, mu0, sigma0.2, indpb0.1) toolbox.register(select, tools.selTournament, tournsize3) pop toolbox.population(nPOP_SIZE) fitnesses list(map(toolbox.evaluate, pop)) for ind, fit in zip(pop, fitnesses): ind.fitness.values fit for gen in range(NGEN): offspring toolbox.select(pop, len(pop)) offspring list(map(toolbox.clone, offspring)) for child1, child2 in zip(offspring[::2], offspring[1::2]): if random.random() CX_PB: toolbox.mate(child1, child2) del child1.fitness.values del child2.fitness.values for mutant in offspring: if random.random() MUT_PB: toolbox.mutate(mutant) del mutant.fitness.values invalid_ind [ind for ind in offspring if not ind.fitness.valid] fitnesses map(toolbox.evaluate, invalid_ind) for ind, fit in zip(invalid_ind, fitnesses): ind.fitness.values fit pop[:] offspring best tools.selBest(pop, 1)[0] return best这段代码对应标准遗传算法的完整流程选择父代、复制个体tools.clone防止共享引用、按交叉概率配对交叉、按变异概率对个体变异凡是发生过遗传操作的个体都要删除其旧的适应度值DEAP用fitness.valid属性判断是否需要重算。tools.selTournament的tournsize控制锦标赛规模取值3到7之间。锦标赛规模越大选择压力越强但种群多样性下降得越快规模为2时选择压力最温和适合前期探索。tools.cxBlend是实数编码的常用交叉算子子代基因取父代基因的线性组合alpha控制外推范围。alpha0时子代只落在两父本之间alpha0.5允许超出父本范围能增加探索性。tools.mutGaussian对基因施加高斯噪声mu0表示不偏移均值sigma控制步长indpb控制单个基因位的变异概率。sigma取值与被优化变量的量纲相关一般取变量取值范围的1/10到1/20。3.2 选择、交叉、变异三个算子怎么配算子类别DEAP实现适用场景关键参数选择selTournament通用首选压力可控tournsize3选择selRoulette适应度正值且差距适中无参需适应度为正选择selNSGA2多目标优化无参返回精英集交叉cxOnePoint二进制编码无参交叉cxTwoPoint二进制编码抗破坏性强于单点无参交叉cxBlend实数编码alpha0.5交叉cxOrdered排列编码TSP类问题无参变异mutFlipBit二进制编码indpb0.05变异mutGaussian实数编码mu0, sigma0.1~0.3变异mutShuffleIndexes排列编码随机交换位置indpb0.1经验和直觉的差别往往在算子搭配上。二进制编码建议用cxTwoPoint加mutFlipBit交叉率高但变异率低0.01到0.05。实数编码建议用cxBlend加mutGaussian交叉率0.7左右变异率0.2左右——这里的变异率是指个体级概率每个基因位的实际改动概率由indpb控制。排列编码必须使用保序交叉算子如cxOrdered否则子代会出现重复基因位产生非法解。一个常见的坑是种群过早收敛。如果每代的最佳适应度基本不变但平均适应度持续上升说明选择压力过大可以调大tournsize、降低交叉率或提高变异率。更直接的监控手段是每代输出种群内所有个体的适应度标准差标准差降到初始值10%以下时说明种群多样性基本耗尽靠算子参数已经很难挽回要考虑引入移民机制或重启策略。4. 实战用遗传算法解旅行商问题的完整流程4.1 数据准备与DEAP中的排列编码实现旅行商问题是检验遗传算法实现能力的试金石因为它的解空间是n!量级穷举根本不可能而贪心算法又容易陷入局部最优。import random import numpy as np from deap import base, creator, tools, algorithms cities [(random.uniform(0, 100), random.uniform(0, 100)) for _ in range(20)] def eval_tsp(individual): distance 0 for i in range(len(individual) - 1): c1 cities[individual[i]] c2 cities[individual[i 1]] distance np.hypot(c1[0] - c2[0], c1[1] - c2[1]) distance np.hypot(cities[individual[-1]][0] - cities[individual[0]][0], cities[individual[-1]][1] - cities[individual[0]][1]) return (distance,) creator.create(FitnessMin, base.Fitness, weights(-1.0,)) creator.create(Individual, list, fitnesscreator.FitnessMin) toolbox base.Toolbox() toolbox.register(indices, random.sample, range(len(cities)), len(cities)) toolbox.register(individual, tools.initIterate, creator.Individual, toolbox.indices) toolbox.register(population, tools.initRepeat, list, toolbox.individual) toolbox.register(evaluate, eval_tsp) toolbox.register(mate, tools.cxOrdered) toolbox.register(mutate, tools.mutShuffleIndexes, indpb0.05) toolbox.register(select, tools.selTournament, tournsize3) pop toolbox.population(n100) result, log algorithms.eaSimple(pop, toolbox, cxpb0.8, mutpb0.1, ngen200, verboseTrue) best_tsp tools.selBest(pop, 1)[0] print(fBest route: {best_tsp}, distance: {eval_tsp(best_tsp)[0]:.2f})TSP问题编码直接采用城市索引的排列染色体长度等于城市数量。random.sample生成的排列天然不含重复元素省去了修复非法解的步骤。cxOrdered在处理两个父代时会保留其中一个父代的连续子序列再按另一个父代的顺序补充缺失的城市保证子代仍然是合法排列。mutShuffleIndexes随机交换两个位置的城市索引indpb设为0.05表示每个基因位有5%的概率参与交换对20个城市的规模来说平均每次变异影响1到2个位置。4.2 结果分析与参数调优方向运行上述代码并开启verbose日志会输出每代的最优值和平均值。20个城市的最优路径距离通常在200到300之间城市坐标范围0到100如果200代后距离仍在350以上优先调整的方向是种群大小和交叉率而不是变异率——TSP的解空间结构决定了交叉算子对优质片段的组合能力比变异更重要。第二个排查点是锦标赛规模tournsize从3调高到5选择压力上升收敛速度变快但伴随的风险是提前收敛到局部最优。进阶调整可以引入精英保留先调用tools.selBest(pop, k)把当前最优个体原样复制到下一代再执行常规进化操作。DEAP的algorithms.eaSimple默认不保留精英但algorithms.eaMuPlusLambda实现了(mulambda)策略更符合实际操作习惯。提示调试阶段建议固定随机种子否则每次运行结果不同很难判断调参是否真的有效。在文件头部设置random.seed(42)同时给numpy也设置np.random.seed(42)保证实验可复现。5. 约束处理与多目标优化的两个实用扩展5.1 惩罚函数处理带约束的优化问题工程问题几乎都带约束比如设备数量上限、资源总容量、时间窗口限制。直接在个体生成时就满足约束当然理想但多数场景下约束条件互相冲突设计完全合法的编码本身就构成了一个难题。更通用的做法是引入惩罚函数约束违背越大惩罚越重个体的适应度越差。def eval_with_constraint(individual): value objective(individual) constraint_violation 0 total_weight sum(individual[i] * weights[i] for i in range(len(individual))) if total_weight capacity: constraint_violation (total_weight - capacity) / capacity penalty constraint_violation * 1000 return (value penalty,)惩罚系数的设定是这类问题的关键。系数过小不可行解依然有机会进入下一代种群最终停在不可行区域系数过大可行解与不可行解的适应度差距悬殊早期可行解极少时选择机制等于随机抽签。经验法则是让惩罚项的数值量级与目标函数量级相当先做一次无约束优化记录目标函数的典型取值范围再据此设定惩罚系数。另一种思路是约束支配法两个解比较时先比较约束违背程度如果违背程度有差异则违背少的更优只有违背程度相同时才比较目标函数值。这个思路在多目标优化中演化成了NSGA-II的约束支配规则。5.2 DEAP实现NSGA-II解决双目标问题creator.create(FitnessMulti, base.Fitness, weights(-1.0, -1.0)) creator.create(Individual, list, fitnesscreator.FitnessMulti) toolbox.register(evaluate, eval_multi_objective) toolbox.register(mate, tools.cxSimulatedBinaryBounded, eta20.0, low0, up1) toolbox.register(mutate, tools.mutPolynomialBounded, eta20.0, low0, up1, indpb0.1) toolbox.register(select, tools.selNSGA2) pop toolbox.population(n100) for gen in range(100): offspring algorithms.varAnd(pop, toolbox, cxpb0.8, mutpb0.2) combined pop offspring pop tools.selNSGA2(combined, len(pop))NSGA-II的核心是selNSGA2的两次排序先按Pareto支配关系分层同一层内的个体再按拥挤距离排序。拥挤距离大的个体优先保留以维持种群在Pareto前沿上的均匀分布。cxSimulatedBinaryBounded和mutPolynomialBounded是实数编码多目标优化的标配eta控制算子产生的子代与父代的相似程度eta越大子代越接近父代收敛更稳定但探索能力下降典型值是20。多目标优化的结果评估不再看单一指标而是看Pareto前沿的覆盖度和均匀度。DEAP不直接提供评估函数可以自行计算两个指标世代距离世代距离表示解集与真实前沿的平均距离需要知道真实前沿或参考点和超体积指标解集覆盖的目标空间体积无需真实前沿但计算成本随维度上升。6. 算完别急着交付的验证方法遗传算法是随机算法单次运行的最优解没有统计意义。我在实际项目中至少会做三遍验证第一遍用固定随机种子跑10次记录每次的最优值和达到该值的代数看收敛轨迹是否稳定第二遍用不同的随机种子跑30次统计最优值的分布如果方差超过均值的10%说明算法稳定性不足需要调整参数或增加种群规模第三遍用已知最优解的标准测试函数验证实现正确性比如Rastrigin函数在0处取全局最优0如果算法连这种标准函数都找不到次优逼近问题多半不在参数而在编码或算子有缺陷。监控DEAP运行过程时logbook是比print更可靠的记录工具。algorithms.eaSimple返回的log对象记录每一代的统计量可以用log.select(gen, min, avg)提取数据配合matplotlib绘制收敛曲线。曲线形态比数值更说明问题单调下降无平台期说明收敛速度合理中途出现回升大概率是变异步长过大破坏了已形成的优质模式。最后分享一个实践中往往被忽视的技巧不要一上来就追求最优解先用小种群快迭代跑通流程再逐步增加种群规模和进化代数。种群从50调到200收敛质量会显著提升但计算时间也变为4倍如果目标函数本身计算耗时优先用并行评估——把toolbox.register(map, pool.map)换成进程池的映射函数DEAP会自动并行评估个体。这一行改动经常能把优化时间从小时级压到分钟级。本文还有配套的精品资源点击获取