如何为最大化目标函数的遗传算法实现排名选择算子

核心逻辑梳理 #

排名选择的核心是基于个体适应度的排名分配选择权重，而非直接使用适应度数值。针对你的最大化目标函数场景：

• 先将所有个体按适应度从低到高排序
• 给排名第k位（从1开始计数，最差个体排第1）的个体分配权重k，所有个体的权重总和为 ( S = \frac{N(N+1)}{2} )（N为种群规模）
• 每个个体的选择概率为 ( \frac{k}{S} )，适应度越高的个体排名越靠前，被选中的概率越大

具体实现代码 #

假设你的种群是由(x二进制编码, y二进制编码)组成的列表，适应度列表是对应每个个体的适应度计算结果，以下是rank_selection()的实现：

import random

def rank_selection(population, fitness_list):
    # 将个体与对应适应度配对，避免排序后错位
    paired_individuals = list(zip(population, fitness_list))
    # 按适应度升序排序（最差个体排第1位）
    sorted_pairs = sorted(paired_individuals, key=lambda x: x[1])
    # 计算权重总和（等差数列求和）
    population_size = len(population)
    total_weight = population_size * (population_size + 1) // 2
    # 生成每个个体的选择概率
    selection_probs = [rank / total_weight for rank in range(1, population_size + 1)]
    # 基于概率选择个体，返回与原种群规模一致的新种群
    selected_pop = random.choices([pair[0] for pair in sorted_pairs], weights=selection_probs, k=population_size)
    return selected_pop

适配你的算法调用 #

直接传入已生成的种群和get_fitness计算出的适应度列表即可：

# 假设已获取种群population和对应的适应度列表fitness_values
new_population = rank_selection(population, fitness_values)

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