Pygad优化遇局部最优：如何检测适应度饱和后重初始化种群？

完全可以实现你需要的逻辑，核心是在on_generation回调中追踪适应度停滞情况，直接修改PyGad实例的population属性完成种群重置。以下是具体实现步骤和代码示例：

核心思路 #

1. 追踪连续世代的适应度变化，统计停滞次数
2. 当停滞次数达到设定阈值时，调用PyGad内置的种群初始化方法生成新种群，直接替换当前实例的population属性
3. 重置停滞统计，继续后续世代的进化

代码实现 #

import pygad
import numpy as np

# 全局变量记录停滞状态
stagnation_count = 0
best_fitness_history = []
# 自定义停滞阈值：连续N代适应度无有效提升则重启
STAGNATION_THRESHOLD = 5
# 适应度变化阈值：小于该值视为无有效提升
FITNESS_EPS = 1e-6

def fitness_func(solution, solution_idx):
    # 替换为你的实际适应度计算逻辑
    return -np.sum(np.square(solution))  # 示例：求解最小值问题，返回负的平方和

def on_generation(pygad_instance):
    global stagnation_count, best_fitness_history
    
    # 获取当前世代的最优适应度
    current_best_fitness = pygad_instance.best_solution()[1]
    best_fitness_history.append(current_best_fitness)
    
    # 检查是否出现停滞
    if len(best_fitness_history) >= 2:
        fitness_diff = abs(current_best_fitness - best_fitness_history[-2])
        if fitness_diff < FITNESS_EPS:
            stagnation_count += 1
        else:
            # 适应度有提升，重置停滞计数
            stagnation_count = 0
    
    # 达到停滞阈值，执行种群重启
    if stagnation_count >= STAGNATION_THRESHOLD:
        print(f"世代 {pygad_instance.generations_completed} 触发停滞，重启种群")
        # 用当前实例的参数重新初始化种群
        new_population = pygad_instance.initialize_population()
        # 直接替换实例的population属性
        pygad_instance.population = new_population
        # 重置停滞统计状态
        stagnation_count = 0
        best_fitness_history = []

# 初始化遗传算法实例
ga_instance = pygad.GA(
    num_generations=100,
    num_parents_mating=4,
    fitness_func=fitness_func,
    sol_per_pop=20,
    num_genes=5,
    gene_space=[-10, 10],  # 替换为你的基因空间定义
    on_generation=on_generation
)

# 运行算法
ga_instance.run()

关键注意事项 #

• 适应度阈值调整：FITNESS_EPS需要根据你的问题场景设置，确保能准确区分“真停滞”和“微小波动”
• 自定义种群初始化：如果initialize_population()的默认逻辑不符合需求，可以手动生成符合gene_space的种群数组，再赋值给pygad_instance.population
• 全局变量替代：如果不想用全局变量，可以将停滞状态封装为类属性，或者通过PyGad实例的user_data字段传递状态信息

内容的提问来源于stack exchange，提问作者Glen Eaton