射水鱼算法（AHO）Python实现的数组赋值与索引问题

错误根源分析 #

1. TypeError: object of type 'numpy.float64' has no len()：传入equation_3/equation_5的参数是标量而非d维数组，根源是种群数组X维度定义错误，导致赋值时类型不匹配，后续传递参数变成标量。
2. ValueError: setting an array element with a sequence：尝试将d维数组赋值给标量位置（原X[i,t]是单个数值），因为X初始化为(N, Itermax)，无法容纳d维位置向量。

修正后的完整代码 #

import numpy as np

def equation_3(Xk_t, omega, theta, delta):
    d = Xk_t.shape[0]  # 用numpy数组shape属性获取维度，替代len
    random_position = np.random.randint(0, d)
    new_position = np.zeros(d)
    new_position[random_position] = omega * np.sin(2 * theta)
    return Xk_t + new_position + delta

def equation_5(Xi_t, omega, theta, delta):
    d = Xi_t.shape[0]  # 用numpy数组shape属性获取维度，替代len
    random_positions = np.random.choice(range(d), 2, replace=False)
    new_position = np.zeros(d)
    new_position[random_positions] = omega * np.sin(2 * theta)
    return Xi_t + new_position + delta

def equation_6(alpha):
    # 实现AHO算法中theta_0的生成逻辑，返回[-alpha, alpha]范围内的随机角度
    return np.random.uniform(-alpha, alpha)

def AHO(d, domains, f, theta, omega, N, Itermax, alpha, xmin, xmax):
    # 修正种群数组维度：N个个体，Itermax个迭代时刻，每个个体存储d维位置向量
    X = np.zeros((N, Itermax, d))
    
    # 初始化t=0时刻的种群初始位置
    for i in range(N):
        X[i, 0] = np.random.uniform(xmin, xmax, size=d)
    
    # 迭代从t=1到t=Itermax-1，避免索引越界
    for t in range(1, Itermax):
        for i in range(N):
            theta_0 = equation_6(alpha)
            # 修正角度范围判断逻辑
            if (0 < abs(theta_0) < theta) or (np.pi - theta < abs(theta_0) < np.pi):
                # 基于个体前一时刻位置更新，而非重新生成随机位置（符合AHO算法逻辑）
                Xk_t = X[i, t-1]
                delta = np.random.uniform(-1, 1, size=d)
                X[i, t] = equation_3(Xk_t, omega, theta, delta)
            else:
                # 补充else分支逻辑，调用equation_5更新位置
                Xi_t = X[i, t-1]
                delta = np.random.uniform(-1, 1, size=d)
                X[i, t] = equation_5(Xi_t, omega, theta, delta)
            # 此处可添加适应度计算与最优解更新逻辑
            # fitness = f(X[i, t])
            # ...
    return X

关键修正点说明 #

1. 种群数组维度修正：将X从(N, Itermax)改为(N, Itermax, d)，确保每个个体的位置以d维数组存储，解决赋值不匹配问题。
2. 维度获取方式优化：用Xk_t.shape[0]替代len(Xk_t)，更适配numpy数组的操作习惯，避免类型判断错误。
3. 种群初始化补充：添加t=0时刻的种群初始位置生成，完善算法迭代的起始逻辑。
4. 位置更新逻辑修正：基于个体前一时刻位置进行更新（而非重新生成随机位置），符合AHO算法的迭代进化逻辑。
5. 分支逻辑补全：补充else分支调用equation_5的逻辑，确保所有个体的位置都能得到更新。

内容的提问来源于stack exchange，提问作者Ahmed Ehab