Python中将多字符串数学表达式转换为整数范围用于遗传算法约束

核心思路 #

无需复杂符号计算库，直接将用户输入的数学表达式通过eval转换为可执行的约束检查函数与目标函数，结合常用遗传算法框架（以DEAP为例）实现带约束的最大值求解。

1. 约束表达式处理 #

将用户输入的约束字符串（如3*x +5*y >=100、x<500、y<500）转换为个体合法性检查函数：

def build_constraint_checker(constraint_list):
    def is_valid(individual):
        x, y = individual
        # 遍历所有约束，全部满足则返回True
        for expr in constraint_list:
            # 限制eval全局变量范围，降低安全风险
            if not eval(expr, {"__builtins__": None}, {"x": x, "y": y}):
                return False
        return True
    return is_valid

注意：用户输入的合并约束（如x,y <500）需提前拆分为x<500和y<500两个独立约束；表达式中的乘法需显式写*（如3x要转为3*x）。

2. 目标函数处理 #

将用户输入的目标函数（如x²+4y）转换为遗传算法可调用的适应度函数：

def build_objective(obj_str):
    def fitness(individual):
        x, y = individual
        # 替换用户输入的平方符号为Python语法
        processed_expr = obj_str.replace("x²", "x**2").replace("y²", "y**2")
        # 返回元组（DEAP框架要求适应度为可迭代类型）
        return eval(processed_expr, {"__builtins__": None}, {"x": x, "y": y}),
    return fitness

3. 结合DEAP实现完整遗传算法 #

以下是带约束的最大值求解完整示例（假设x、y为0-499的整数）：

from deap import base, creator, tools, algorithms
import random

# 初始化DEAP框架
creator.create("FitnessMax", base.Fitness, weights=(1.0,))  # 配置最大值求解
creator.create("Individual", list, fitness=creator.FitnessMax)

toolbox = base.Toolbox()
# 定义个体编码：x和y为0-499的整数
toolbox.register("attr_int", random.randint, 0, 499)
toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attr_int, n=2)
toolbox.register("population", tools.initRepeat, list, toolbox.individual)

# 传入用户自定义的约束与目标函数
user_constraints = ["3*x +5*y >=100", "x<500", "y<500"]
user_objective = "x**2 +4*y"

toolbox.register("evaluate", build_objective(user_objective))
constraint_check = build_constraint_checker(user_constraints)

# 定义带约束的遗传操作（仅保留合法个体）
def cx_two_point_valid(ind1, ind2):
    # 先交叉，不合法则返回原个体
    offspring = tools.cxTwoPoint(ind1, ind2)
    if constraint_check(offspring[0]) and constraint_check(offspring[1]):
        return offspring
    return ind1, ind2

def mutate_int_valid(individual):
    # 变异后检查合法性，不合法则重试
    while True:
        mutated = tools.mutUniformInt(individual, low=0, up=499, indpb=0.5)[0]
        if constraint_check(mutated):
            return mutated,

toolbox.register("mate", cx_two_point_valid)
toolbox.register("mutate", mutate_int_valid)
toolbox.register("select", tools.selTournament, tournsize=3)

# 运行遗传算法
def main():
    pop = toolbox.population(n=50)
    hof = tools.HallOfFame(1)  # 保存最优个体
    stats = tools.Statistics(lambda ind: ind.fitness.values)
    stats.register("avg", sum)
    stats.register("max", max)

    pop, log = algorithms.eaSimple(pop, toolbox, cxpb=0.5, mutpb=0.2, ngen=20, 
                                   stats=stats, halloffame=hof, verbose=True)
    print("最优解(x,y)：", hof[0])
    print("目标函数最大值：", hof[0].fitness.values[0])

if __name__ == "__main__":
    main()

关键注意事项 #

• 安全风险：eval存在代码注入风险，若面向外部用户输入，需先对表达式做过滤，仅允许x、y、数字、算术运算符（+、-、*、/、**）及比较运算符（>、<、>=、<=、==）。
• 变量类型适配：若x、y为浮点数，只需将random.randint替换为random.uniform，并调整变异操作的数值范围。
• 约束优先级：所有约束需同时满足，若存在冲突约束需提前提示用户修正。

内容的提问来源于stack exchange，提问作者Bashar