遗传算法迭代后期适应度无提升问题排查求助

我编写了一个简单的遗传算法，目标是最小化平方和形式的适应度函数，但运行后发现优化结果出现震荡，且迭代后期适应度分数无提升，代码如下，恳请帮忙排查问题：

适应度函数 #

def fitness(a, b, c, d, e):
    return a**2 + b**2 + c**2 + d**2 + e**2

初始种群生成函数 #

def generate_pop(numInd, numGene):
    population = []
    for i in range(numInd):
        individual = [random.uniform(-10, 10) for _ in range(numGene)]
        population.append(individual)
    return population

选择与交叉函数 #

def randomCrossover(population):
    offspring = []
    for i in range(len(population)//2):
        Ind1_index = random.randint(0, len(population)-1)
        Ind2_index = random.randint(0, len(population)-1)
        while Ind2_index == Ind1_index:
            Ind2_index = random.randint(0, len(population)-1)

        Ind1 = population[Ind1_index]
        Ind2 = population[Ind2_index]

        crossPoint = random.randint(1, len(Ind1))
        child1 = Ind1[:crossPoint] + Ind2[crossPoint:]
        child2 = Ind2[:crossPoint] + Ind1[crossPoint:]
        offspring.append(child1)
        offspring.append(child2)
    return offspring

主函数 #

def geneticAlgorithm(mutation=0.1, numGeneration=100):
    population = generate_pop(12, 5)
    maxFitnessScoreGen = []
    minFitnessScoreGen = []
    avgFitnessScoreGen = []
    for _ in range(numGeneration):
        fitScore = [fitness(a, b, c, d, e) for a, b, c, d, e in population]
        maxFitnessScoreGen.append(max(fitScore))
        minFitnessScoreGen.append(min(fitScore))
        avgFitnessScoreGen.append(mean(fitScore))
        # population = [population[i] for i in range(len(population)) if fitness[i] == min(fitness)] # should individual that have lowest fitness score
        
        offspring = randomCrossover(population)
            
        for i in range(len(offspring)):
            if random.uniform(0, 1) < mutation:
                offspring[i] = [random.uniform(-10, 10), random.uniform(-10, 10), random.uniform(-10, 10), random.uniform(-10, 10), random.uniform(-10, 10)]

        population = offspring
        # print(f'gen {_} maxScore = {maxFitnessScoreGen}, avgScore = {avgFitnessScoreGen}')
        # print(population)

    return maxFitnessScoreGen, minFitnessScoreGen ,avgFitnessScoreGen

适应度分数变化图 #

问题根源与修正建议 #

1. 核心问题：无适应度导向的选择机制

当前的randomCrossover完全随机挑选父代个体，完全不考虑个体的适应度好坏，本质是随机搜索而非遗传算法——优秀个体的基因没有被优先传递，种群无法朝着最优解收敛，自然会出现震荡。

2. 突变操作过于激进

现在的突变是直接生成全新的随机个体，彻底丢弃原个体的所有基因信息，相当于每次突变都引入完全随机的噪声源，破坏种群中积累的优良特性，导致震荡加剧，无法稳定收敛。

3. 无精英保留策略

每次迭代直接用后代替换全部父代，父代中适应度最低的优秀个体很容易被淘汰，优秀基因无法保留，种群失去进化的基础。

4. 未启用适应度选择逻辑

代码中注释了基于最小适应度的选择逻辑，但未实际启用，进一步导致种群进化失去方向。

具体修正方案 #

• 添加适应度导向的选择：比如用锦标赛选择，每次从种群中随机选3-5个个体，挑选适应度最低的作为父代；或者用轮盘赌选择（注意因为是最小化问题，需要将适应度取倒数转换为“收益”）。
• 修改突变逻辑：改为对个体的单个基因进行小幅扰动，而非生成全新个体：

  if random.uniform(0, 1) < mutation:
      # 随机选一个基因进行小幅扰动
      gene_idx = random.randint(0, len(offspring[i])-1)
      offspring[i][gene_idx] += random.uniform(-0.5, 0.5)
      # 限制基因在[-10,10]范围内
      offspring[i][gene_idx] = max(min(offspring[i][gene_idx], 10), -10)
  

• 加入精英保留：每次迭代保留父代中适应度最低的2-3个个体，加入到下一代种群中：

  # 在生成后代后，保留父代精英
  elite_num = 2
  # 按适应度排序，取前elite_num个适应度最低的个体
  sorted_pop = [ind for _, ind in sorted(zip(fitScore, population), key=lambda x: x[0])]
  elites = sorted_pop[:elite_num]
  # 替换后代中随机个体，保持种群规模
  population = elites + offspring[elite_num:]
  

• 启用选择逻辑：替换原有的随机交叉选择，用基于适应度的选择来挑选父代。

内容的提问来源于stack exchange，提问作者P.Chian