PyGAD如何生成仅含0/1的解并进化至全1最优列表？

一、限制种群取值为0和1的核心方案 #

PyGAD默认交叉/变异逻辑可能产生浮点数，需从基因类型约束和遗传操作适配两方面解决：

• 强制基因类型为整数：初始化GA时设置gene_type=int，确保所有基因始终为整数，避免浮点值生成。
• 使用二进制专属遗传操作：
  • 交叉选择crossover_type="single_point"（单点交叉），仅交换基因片段，不会产生中间值。
  • 自定义变异函数，仅执行0/1翻转操作，杜绝非二进制值：

    def custom_mutation(ga_instance, offspring, offspring_idx):
        mutation_chance = ga_instance.mutation_percent_genes / 100
        for idx in range(len(offspring)):
            if random.random() < mutation_chance:
                offspring[idx] = 1 - offspring[idx]
        return offspring
    

  替代默认变异逻辑，确保变异后基因仅在0和1之间切换。

二、引导种群进化到全1解的参数调整 #

你的适应度函数sum(solution)方向正确（全1解适应度为40，是最大值），只需调整进化参数加速收敛：

• 增加种群规模：从初始10个个体提升到50-100，提升种群多样性。
• 增加进化代数：设置num_generations=100甚至更高，给种群足够进化时间。
• 调整遗传操作概率：
  • 交叉概率设为crossover_probability=0.8，保证优良基因传递。
  • 变异概率控制在mutation_percent_genes=2-5，避免过度变异破坏优良解。
• 开启精英保留：设置keep_parents=2，将每代最优的2个个体直接保留到下一代，锁定最优基因。

完整可运行代码示例 #

import pygad
import random

# 初始化50个个体的二进制种群，每个个体含40个基因
initial_population = [[random.randint(0,1) for _ in range(40)] for _ in range(50)]

# 适应度函数：计算基因总和，值越大越优
def fitness_func(ga_instance, solution, solution_idx):
    return sum(solution)

# 自定义二进制变异函数：仅翻转0/1
def custom_mutation(ga_instance, offspring, offspring_idx):
    mutation_chance = ga_instance.mutation_percent_genes / 100
    for idx in range(len(offspring)):
        if random.random() < mutation_chance:
            offspring[idx] = 1 - offspring[idx]
    return offspring

# 创建GA实例并配置参数
ga_instance = pygad.GA(
    num_generations=100,
    num_parents_mating=20,
    initial_population=initial_population,
    fitness_func=fitness_func,
    gene_type=int,
    crossover_type="single_point",
    mutation_type=custom_mutation,
    mutation_percent_genes=3,
    keep_parents=2,
    save_best_solutions=True
)

# 启动进化
ga_instance.run()

# 输出结果
best_sol, best_fitness, _ = ga_instance.best_solution()
print(f"最优适应度值：{best_fitness}")
print(f"最优解是否为全1：{all(gene == 1 for gene in best_sol)}")

内容的提问来源于stack exchange，提问作者Bill