遗传算法运行时遇OverflowError: (34, 'Result too large')错误的解决方法

问题背景 #

使用遗传算法求解方程 a*x^coeff + b*x + c = 550 的5个参数时，运行代码出现 OverflowError: (34, 'Result too large') 错误，原代码如下：

import random
import decimal
decimal.getcontext().prec = 100

def foo (a, b, c, x, coeff):                 
    return a * x ** coeff + b * x + c - 550

def fitness (a, b, c, x, coeff):
    ans = foo (a, b, c, x, coeff)
    if ans == 0:
        return 99999
    else:
        return abs (1/ans)


# generate solutions
solutions = []

for s in range(1000):
    solutions.append(
    (random. uniform (0, 10000),
    random.uniform(0, 10000),
    random.uniform(0, 10000),
    random.uniform(0, 10000),
    random.uniform(0,10000)))

for i in range (10000):
    rankedsolutions = []
    for s in solutions:
        rankedsolutions.append((fitness (s[0],s[1],s[2],s[3],s[4]),s))
        rankedsolutions.sort()
        rankedsolutions.reverse()
        print (f"=== Gen {i} best solutions")
        print (rankedsolutions [0])

        bestsolutions = rankedsolutions [:100]

        elements = []
        for s in bestsolutions:
            elements.append(s[1][0])
            elements.append(s[1][1])
            elements.append(s[1][2])
            elements.append(s[1][3])
            elements.append(s[1][4])
            
        newGen = []
        for _ in range(1000):
            e1 = random.choice (elements) * random.uniform(0.99,1.01)
            e2 = random.choice (elements) * random.uniform(0.99,1.01)
            e3 = random.choice (elements) * random.uniform(0.99,1.01)
            e4 = random.choice (elements) * random.uniform(0.99,1.01)
            e5 = random.choice (elements) * random.uniform(0.99,1.01)
            newGen.append((e1,e2,e3,e4,e5))

        solutions=newGen

错误核心原因是x ** coeff运算时，当x和coeff取到较大随机值（如接近10000），计算结果远超Python float类型的取值范围，触发数值溢出。

解决思路与方案 #

1. 临时溢出捕获方案 #

在核心计算函数中捕获OverflowError，返回极端值让该解被遗传算法自动淘汰：

def foo(a, b, c, x, coeff):
    try:
        return a * x ** coeff + b * x + c - 550
    except OverflowError:
        # 返回无穷大，使对应fitness值为0，被排序到末尾
        return float('inf')

fitness函数无需修改，因为abs(1/inf)结果为0，会被视为极差解，在后续迭代中被淘汰。

2. 优雅的Decimal替换方案 #

使用Python的decimal模块替代float，它支持更大的数值范围和可控精度，从根源避免溢出问题，具体改造步骤如下：

步骤1：封装Decimal随机数生成函数

import random
import decimal
decimal.getcontext().prec = 100  # 提前设置计算精度

def generate_decimal(min_val, max_val):
    """生成指定范围内的Decimal随机数"""
    return decimal.Decimal(random.uniform(min_val, max_val))

步骤2：初始化种群时使用Decimal

solutions = []
for s in range(1000):
    solutions.append((
        generate_decimal(0, 10000),
        generate_decimal(0, 10000),
        generate_decimal(0, 10000),
        generate_decimal(0, 10000),
        generate_decimal(0, 10000)
    ))

步骤3：改造核心计算函数为Decimal运算

def foo(a, b, c, x, coeff):
    target = decimal.Decimal(550)
    return a * (x ** coeff) + b * x + c - target

def fitness(a, b, c, x, coeff):
    ans = foo(a, b, c, x, coeff)
    if ans == decimal.Decimal(0):
        return decimal.Decimal(99999)
    else:
        return abs(decimal.Decimal(1) / ans)

步骤4：种群迭代时保持Decimal类型

newGen = []
for _ in range(1000):
    # 所有运算均使用Decimal类型
    e1 = random.choice(elements) * decimal.Decimal(random.uniform(0.99, 1.01))
    e2 = random.choice(elements) * decimal.Decimal(random.uniform(0.99, 1.01))
    e3 = random.choice(elements) * decimal.Decimal(random.uniform(0.99, 1.01))
    e4 = random.choice(elements) * decimal.Decimal(random.uniform(0.99, 1.01))
    e5 = random.choice(elements) * decimal.Decimal(random.uniform(0.99, 1.01))
    newGen.append((e1, e2, e3, e4, e5))

3. 遗传算法效率优化建议 #

• 缩小参数搜索范围：比如将coeff的范围从0-10000调整到0-10，过大的指数必然导致数值爆炸，也不符合大多数实际方程的参数逻辑。
• 调整排序时机：原代码中每次添加一个解就排序一次，效率极低，应在所有解都添加到rankedsolutions后再执行排序和反转操作。

内容的提问来源于stack exchange，提问作者pythonbeginner