numpy调用np.random.choice报probabilities are not non-negative如何解决

• np.random.choice的p参数要求所有概率值必须为非负数，且总和为1，你直接用包含负数的fit_level计算概率，会出现负概率，触发报错。
• 你的代码还存在一处隐性错误：np.random.choice的a参数写的是未定义的变量arr，应当改为传入的种群参数population。

核心思路 #

对原始适应度做平移修正，消除负值后再计算选择概率，是最常用的处理方案，不会改变不同个体之间的适应度相对差距。
步骤如下：

1. 计算适应度数组的最小值，所有适应度减去最小值，得到全为非负的调整后适应度
2. 若调整后所有适应度都为0（所有个体适应度完全相同的极端场景），统一给每个适应度加1，避免计算概率时分母为0
3. 用调整后的适应度计算选择概率，再传入np.random.choice即可

修正后完整代码 #

import numpy as np

def select(population, fitness_arr):
    # 平移修正适应度，消除负值
    min_fit = min(fitness_arr)
    adjusted_fit = [x - min_fit for x in fitness_arr]
    
    # 处理所有个体适应度相同的极端场景
    total_fit = sum(adjusted_fit)
    if total_fit == 0:
        adjusted_fit = [1 for _ in adjusted_fit]
        total_fit = len(adjusted_fit)
    
    # 计算合法概率
    probability = [x / total_fit for x in adjusted_fit]
    
    # 修正a参数错误，按概率选中个体
    c = np.random.choice(a=population, size=1, replace=True, p=probability)
    return c

# 示例参数
population = [[0, 0, 0, 1, 0, 1, 0], [1, 0, 1, 1, 0, 1, 0], [1, 0, 0, 1, 1, 0, 0], [0, 1, 1, 0, 0, 1, 0], [1, 1, 0, 0, 0, 0, 1], [0, 0, 0, 1, 0, 0, 1], [0, 0, 1, 0, 0, 1, 0]]
fit_level = [-355, 0, 6167, 26, 526, 740, 315]

print(select(population, fit_level))

补充说明 #

如果你当前的优化目标是最小化适应度（即适应度越小的个体越应该被选中），则需要在平移修正后对调整后的适应度取反再加最大值，或者做倒数处理，避免选择方向错误。

内容的提问来源于stack exchange，提问作者Joyanta J. Mondal