请问Python中有哪些可生成多最优解的遗传优化算法？

针对你需要在指定时间后生成多个近优解（单目标最大化）的需求，以下几种算法和实现库最适合：

• NSGA-II（非支配排序遗传算法）
  原本是多目标优化的经典算法，但在单目标场景下，它通过非支配排序+拥挤度计算的机制，能有效维持种群多样性，避免过早收敛到单一最优解。你可以设置时间阈值，停止后从最终种群中筛选出适应度靠前的个体作为近优解。
  用DEAP库实现的示例代码：

  from deap import algorithms, base, creator, tools
  import random
  import time
  
  # 定义最大化问题
  creator.create("FitnessMax", base.Fitness, weights=(1.0,))
  creator.create("Individual", list, fitness=creator.FitnessMax)
  
  toolbox = base.Toolbox()
  # 替换为你的变量范围
  toolbox.register("attr_float", random.uniform, -10, 10)
  toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attr_float, n=2)
  toolbox.register("population", tools.initRepeat, list, toolbox.individual)
  
  # 替换为你的目标函数
  def evaluate(individual):
      return (-(individual[0]**2 + individual[1]**2),)
  
  toolbox.register("evaluate", evaluate)
  toolbox.register("mate", tools.cxBlend, alpha=0.5)
  toolbox.register("mutate", tools.mutGaussian, mu=0, sigma=1, indpb=0.2)
  toolbox.register("select", tools.selNSGA2)
  
  pop = toolbox.population(n=100)
  # 设置60秒的运行时间限制
  start_time = time.time()
  while time.time() - start_time < 60:
      offspring = algorithms.varAnd(pop, toolbox, cxpb=0.5, mutpb=0.2)
      fits = toolbox.map(toolbox.evaluate, offspring)
      for fit, ind in zip(fits, offspring):
          ind.fitness.values = fit
      pop = toolbox.select(offspring + pop, k=len(pop))
  
  # 提取前20个近优解
  top_individuals = sorted(pop, key=lambda x: x.fitness.values[0], reverse=True)[:20]
  for idx, ind in enumerate(top_individuals):
      print(f"近优解{idx+1}: {ind}, 适应度: {ind.fitness.values[0]:.4f}")
  

• 小生境遗传算法（Niche Genetic Algorithm）
  专为单目标场景下挖掘多个峰值（近优解）设计，通过共享适应度或清除机制，让种群在不同的最优区域维持个体，避免种群聚集到单一解。pygad库内置了小生境支持，实现起来更简便：

  import pygad
  import time
  
  # 替换为你的目标函数
  def fitness_func(solution, solution_idx):
      return -(solution[0]**2 + solution[1]**2)
  
  ga_instance = pygad.GA(sol_per_pop=100,
                         num_parents_mating=20,
                         fitness_func=fitness_func,
                         num_genes=2,
                         # 替换为你的变量范围
                         gene_space={'low': -10, 'high': 10},
                         niche_strength=2.0,  # 开启小生境机制
                         mutation_percent_genes=10)
  
  # 设置60秒运行时间
  start_time = time.time()
  while time.time() - start_time < 60:
      ga_instance.next_generation()
  
  # 获取多个近优解
  top_solutions = ga_instance.solutions[ga_instance.best_solutions_indices]
  for idx, sol in enumerate(top_solutions):
      print(f"近优解{idx+1}: {sol}, 适应度: {fitness_func(sol, 0):.4f}")
  

• SPEA2（强度Pareto进化算法）
  同样是多目标算法，但在单目标场景下，它通过强度值和原始适应度的结合选择个体，比NSGA-II更擅长维持种群的多样性，能找到分布更均匀的近优解。在DEAP中只需把选择算子换成tools.selSPEA2即可复用NSGA-II的大部分代码。

• MOEA/D（基于分解的多目标进化算法）
  将单目标问题分解为多个子问题，每个子问题对应一个解，最终能得到一组分布均匀的近优解。适合需要系统挖掘多个解的场景，可通过pymoo库实现，设置时间停止条件后收集各子问题的最优解。

内容的提问来源于stack exchange，提问作者sayuri