PyGMO中黑盒函数无有效值时的适应度函数返回值问题

DevOps 小满

2026-7-5

PyGMO黑盒函数无效输入的适应度返回策略

首先明确：不能返回None，PyGMO要求适应度函数必须返回数值类型的列表（单目标优化返回长度为1的列表），返回None会直接触发类型错误，导致算法终止。

你用float("inf")是符合语法的，但PSO_GEN不收敛的原因通常是：

正无穷会让粒子完全排斥这些点，如果无效区域占比大，初始种群大量落在无效区，粒子可能找不到有效探索方向；
部分PSO实现中，inf参与速度、位置更新计算时会产生NaN，导致粒子行为异常，算法停滞。

针对这个问题，推荐以下解决方案：

用极大有限值替代inf：选择一个远大于函数有效区域最大可能适应度的数值（比如有效适应度范围是0~100，就用1e6）。这样既让算法识别到该点不可取，又能保证数值计算的稳定性，粒子会自然向更小值的有效区域移动。示例代码：
```
def fitness(x):
    # 模拟无效输入判断
    if x[0] < 0 or x[1] > 10:
        return [1e6]  # 用极大有限值标记无效点
    # 有效区域的黑盒函数计算
    return [x[0]**2 + (x[1]-5)**2]
```
提前缩小搜索空间：如果能通过领域知识确定无效输入的范围，直接在定义问题时限制决策变量的取值区间，从根源上减少粒子进入无效区的概率。比如：
```
from pygmo import problem
# 定义决策变量范围：x[0] ∈ [0, 10], x[1] ∈ [0, 10]（避开无效的x[0]<0和x[1]>10）
prob = problem(my_fitness_function, bounds=[(0,10), (0,10)])
```
调整PSO_GEN参数：如果无效区域无法完全规避，尝试调整算法参数提升探索能力：
- 增大种群规模（population_size），让更多粒子有机会探索有效区域；
- 降低惯性权重（inertia_weight），增强粒子的局部搜索能力；
- 调整认知/社会系数（cognitive_coefficient、social_coefficient），平衡个体经验和群体经验的影响。
尝试其他优化算法：PSO对无效区域的鲁棒性不算最优，可以试试差分进化（DE）、遗传算法（GA）等，这类算法对异常值的容忍度更高，更容易跳出无效区域的陷阱。

内容的提问来源于stack exchange，提问作者pl96andy