使用PyGAD优化函数时如何强制基因取非零值？

针对你遇到的参数跳出设定范围甚至变为零的情况，有几个直接有效的解决办法：

1. 自定义约束型突变函数 #

替换默认的adaptive突变，自己实现一个严格遵守每个基因取值范围的突变逻辑，确保突变后的值不会超出你定义的gene_space区间——因为你的gene_space本身没有零值区间，自然也就不会出现零。

示例代码：

import numpy as np
import pygad

def custom_mutation(offspring, ga_instance):
    # 遍历每个后代的每个基因
    for idx, offspring_chromosome in enumerate(offspring):
        for gene_idx in range(ga_instance.num_genes):
            # 获取当前基因的取值范围
            gene_min = ga_instance.gene_space[gene_idx].min()
            gene_max = ga_instance.gene_space[gene_idx].max()
            # 按设定概率进行突变
            if np.random.random() < ga_instance.mutation_probability[0]:
                # 生成范围内的随机突变值
                mutated_gene = np.random.uniform(gene_min, gene_max)
                offspring[idx, gene_idx] = mutated_gene
    return offspring

# 在GA配置中替换突变类型为自定义函数
ga_instance = pygad.GA(num_generations=num_generations,
                       num_parents_mating=num_parents_mating, 
                       fitness_func=fitness_function,
                       sol_per_pop=sol_per_pop, 
                       num_genes=num_genes,
                       on_generation=callback_generation,
                       crossover_type=crossover_func,
                       parent_selection_type=parent_selection_func,
                       gene_space=gene_space, 
                       mutation_type=custom_mutation,
                       mutation_probability = [0.5, 0.1])

2. 在适应度函数中添加惩罚机制 #

如果某个参数超出设定范围或者为零，直接给该个体的适应度打极低的分数，让遗传算法自动淘汰这类不符合要求的解。

示例代码：

def fitness_function(ga_instance, solution, solution_idx):
    # 检查每个参数是否符合要求
    valid = True
    for gene_idx in range(len(solution)):
        gene_min = ga_instance.gene_space[gene_idx].min()
        gene_max = ga_instance.gene_space[gene_idx].max()
        if solution[gene_idx] < gene_min or solution[gene_idx] > gene_max or solution[gene_idx] == 0:
            valid = False
            break
    # 无效个体返回极小适应度
    if not valid:
        return -1e9
    # 原有适应度计算逻辑
    # ...（你的实验数据拟合误差计算等）
    return fitness_value

3. 在回调函数中手动修正参数范围 #

利用on_generation回调，在每一代迭代后，将所有个体的基因值截断到对应的gene_space范围内，从根源上避免超出范围的情况。

示例代码：

def callback_generation(ga_instance):
    # 遍历所有个体，修正超出范围的基因
    for idx, solution in enumerate(ga_instance.population):
        for gene_idx in range(len(solution)):
            gene_min = ga_instance.gene_space[gene_idx].min()
            gene_max = ga_instance.gene_space[gene_idx].max()
            # 截断到设定区间内
            solution[gene_idx] = np.clip(solution[gene_idx], gene_min, gene_max)
        ga_instance.population[idx] = solution
    # 原有回调逻辑
    # ...

# 保持原有GA配置，仅修改回调函数即可

以上方法可单独使用，也可组合实施，确保参数严格遵守设定的取值范围且不会出现零值。

内容的提问来源于stack exchange，提问作者Raúl Lazo-Molina