如何使用DEAP库获取遗传算法的所有可行解

约束处理与不可行解过滤 #

你之前使用的tools.DeltaPenalty属于软惩罚机制，核心作用是给不可行解赋予极低适应度，让其在选择阶段更容易被淘汰，并不会直接将不可行解移出种群，因此测试时看到违反约束的个体残留是正常现象。如果需要严格过滤不可行解，可选择以下两种实现方案：

• 方案1：将可行性校验直接写入评估函数
  这种方式逻辑最可控，不需要额外依赖装饰器，只有通过约束校验的个体才会计算真实适应度，未通过的个体直接返回最差适应度值，示例代码如下：

  def evaluate(individual):
      # 先计算各营养指标总和
      total_kcal = sum(x * y for x, y in zip(kcal_data, individual))
      total_prot = sum(x * y for x, y in zip(prot_data, individual))
      # 补全所有营养约束规则
      is_feasible = (
          7 * 1999 < total_kcal < 7 * 2001
          and 7 * 60.5 < total_prot
          # 其余脂肪、碳水、微量元素等约束按相同格式补充
      )
      if not is_feasible:
          # 返回预设的最差适应度，单目标优化返回单元素元组，多目标对应返回等长元组
          return (9999,)
      
      # 仅对可行解执行正常适应度计算，例如计算与目标营养值的偏差、食材成本、饮食多样性得分等
      fitness =  # 自定义适应度计算逻辑
      return (fitness,)
  

• 方案2：进化流程中硬删除不可行解
  如果完全不希望不可行解参与后续交叉、变异流程，可以在每一代种群生成（交叉、变异操作完成）后，遍历所有个体删除未通过可行性校验的个体，再从当前代已有的可行解中随机复制、或重新生成新的随机个体，将种群规模补全到预设值即可。注意不要删除后直接进入下一代，否则种群规模会逐代缩减，最终导致算法提前收敛失效。

  提示：如果你的营养约束阈值比较严格，硬删除方案容易出现进化初期可行解数量不足、收敛速度慢的问题，优先选择写入评估函数的软过滤方案更稳妥。

全世代可行个体的存储与访问 #

DEAP内置的标准进化算法（如eaSimple）默认仅返回最终代种群，要获取全流程生成的所有可行解（包括非最优解），不需要修改框架源码，只需自行添加存储逻辑即可：

• 第一步：初始化全局存储容器，推荐用带自动去重能力的集合存储，避免重复记录基因型完全一致的个体；如果需要按世代归档，可改用字典结构，key为世代编号，value为对应世代的可行解列表。

  # 存储格式：(个体基因型元组, 对应适应度值)
  all_feasible_solutions = set()
  

• 第二步：将存储逻辑嵌入评估函数（覆盖率最高，不会漏掉任何新生成的个体）：只要个体通过可行性校验，就先存入容器再返回适应度值，修改后的评估函数示例如下：

  def evaluate(individual):
      total_kcal = sum(x * y for x, y in zip(kcal_data, individual))
      total_prot = sum(x * y for x, y in zip(prot_data, individual))
      is_feasible = (
          7 * 1999 < total_kcal < 7 * 2001
          and 7 * 60.5 < total_prot
          # 补全其余约束
      )
      if not is_feasible:
          return (9999,)
      
      fitness = # 自定义适应度计算逻辑
      # 列表类型的个体不能存入集合，转成不可变的元组类型做去重判断
      ind_key = tuple(individual)
      if ind_key not in [item[0] for item in all_feasible_solutions]:
          all_feasible_solutions.add( (ind_key, fitness) )
      return (fitness,)
  

• 算法运行结束后，直接读取all_feasible_solutions即可拿到所有生成过的可行解，你可以根据适应度分层抽样，筛选出多样化的符合要求的饮食方案，不需要局限于最终种群的最优个体。

优化小技巧：如果约束严格，建议初始种群生成阶段就加入可行性校验，先生成一批满足约束的个体作为初代，能大幅降低前期不可行解占比，加快收敛速度。

内容的提问来源于stack exchange，提问作者Caroline Herlev Gebara