如何优化二进制问题的适应度函数？以除法函数场景为例

当前实现的问题 #

你的当前fitness函数存在两个核心问题：

1. 未处理异常场景：当b=0时，两个函数都会抛出ZeroDivisionError，当前代码会直接崩溃，无法完成适应度计算
2. 二元极端值：仅返回0或np.inf，没有中间梯度信息，进化算法无法通过适应度的细微变化引导种群逐步优化，容易陷入局部最优或进化停滞

改进方案：分场景的连续适应度计算 #

我们需要区分**正常输入（b≠0）和异常输入（b=0）**两种场景，分别设计适应度计算逻辑，同时用连续的误差值替代二元结果，给进化算法提供足够的优化引导。

实现思路 #

1. 捕获异常行为：对比两个函数在输入下是返回结果还是抛出异常，异常类型是否一致
2. 正常输入场景：用绝对误差+相对误差的组合计算适应度，既反映数值差异的绝对值，也避免大数场景下的误差失真
3. 异常输入场景：用固定的大惩罚值标记行为不一致，避免使用np.inf（多数进化算法框架无法处理无穷大值）

代码实现 #

import numpy as np

# 正确的除法函数
def divide(a, b):
    if b == 0:
        raise ZeroDivisionError
    return a / b

# 存在缺陷的除法函数（未处理除零）
def divide_m(a, b):
    return a / b

def fitness(a, b):
    # 捕获正确函数的执行结果或异常
    original_res = None
    original_err = None
    try:
        original_res = divide(a, b)
    except ZeroDivisionError:
        original_err = ZeroDivisionError
    
    # 捕获缺陷函数的执行结果或异常
    mutated_res = None
    mutated_err = None
    try:
        mutated_res = divide_m(a, b)
    except ZeroDivisionError:
        mutated_err = ZeroDivisionError
    
    # 场景1：两者行为一致（都抛相同异常或都返回结果）
    if original_err == mutated_err:
        if original_err is not None:
            # 都抛出除零异常，行为完全一致，适应度为0
            return 0.0
        else:
            # 计算绝对误差和相对误差，组合作为适应度（误差越大，适应度越高）
            abs_error = np.abs(original_res - mutated_res)
            # 加1e-8避免除零
            rel_error = abs_error / (np.abs(original_res) + 1e-8)
            return abs_error + rel_error
    # 场景2：行为不一致（一个抛异常，一个返回结果）
    else:
        # 严重错误，返回固定大惩罚值
        return 1000.0

适配不同进化算法的调整 #

如果你的进化算法是最小化适应度（即适应度越低越好），上述代码直接可用；如果是最大化适应度（即适应度越高越好），可以调整为：

def fitness_max(a, b):
    # 异常捕获部分与上述代码一致
    original_res = None
    original_err = None
    try:
        original_res = divide(a, b)
    except ZeroDivisionError:
        original_err = ZeroDivisionError
    
    mutated_res = None
    mutated_err = None
    try:
        mutated_res = divide_m(a, b)
    except ZeroDivisionError:
        mutated_err = ZeroDivisionError
    
    if original_err == mutated_err:
        if original_err is not None:
            return 1000.0  # 行为一致，适应度最高
        else:
            abs_error = np.abs(original_res - mutated_res)
            rel_error = abs_error / (np.abs(original_res) + 1e-8)
            # 误差越小，适应度越高
            return 1000.0 - (abs_error + rel_error)
    else:
        return 0.0  # 行为不一致，适应度最低

关键注意事项 #

• 避免使用np.inf：用足够大的常数（如1000，可根据输入范围调整）替代，防止进化算法框架处理异常
• 覆盖多场景测试：测试b=0、b接近0、a=0、正负数值、大数等输入，确保适应度函数能正确评估所有差异
• 误差组合可调整：如果更关注相对误差，可以提高其权重（比如abs_error + 10*rel_error），根据你的优化目标灵活调整

内容的提问来源于stack exchange，提问作者foobar