使用PyGAD时自定义罚函数生效、幂次罚函数失效的原因是什么？

1. 自定义lgt罚函数生效原理 #

PyGAD的遗传算法默认执行适应度最大化策略，会优先保留适应度得分更高的解进入下一代，你的lgt罚函数恰好匹配了这个逻辑，核心有两点：

• 足够强的区分度：所有落在[14,99]区间外的解，返回值为-10000 + x，这个值最高也只有当x无限接近99时的-10000 + 99 = -9901，远低于区间内解的最低返回值14，所以区间外的解天然就会在选择阶段被优先淘汰，筛选压力足够大。
• 带方向的梯度引导：惩罚值和x本身线性相关，比如x=12（小于14）的罚后值是-9988，x=13（更接近区间下界）的罚后值是-9987，后者得分更高，算法会明确知道“x增大”是更优的调整方向；你设置的初始种群范围是[-50,50]，几乎不会出现x超过99的情况，因此这个线性引导在你的测试场景下完全匹配优化方向。

你提到的罚值越负收敛越快，本质是增大了区间内外解的得分差距，筛选压力更高，不符合要求的解几乎没有概率进入下一代，收敛速度自然提升。

2. 其他罚函数失效原因 #

2.1 (x+100)^4类罚函数失效原因 #

这个罚函数完全违背了适应度最大化的优化方向：

• 如果你直接用(x+100)^4作为惩罚值，x越小这个值越大，反而会让区间外的解得分比区间内的解高得多，算法会优先保留更小的x，完全和优化目标相反。
• 就算你加了负号改成-(x+100)^4，也会出现x越接近区间下界、惩罚后得分越低的情况：比如x=13的罚后值是-(113)^4 ≈ -1.6e8，x=10的罚后值是-(110)^4 ≈ -1.46e8，反而x越小得分越高，引导方向完全错误，自然无法生效。

2.2 符合返回x否则返回0的罚函数失效原因 #

这类罚函数没有提供梯度引导信息：所有落在区间外的解，不管是x=-50还是x=13，得分都是0，没有任何得分差异，算法无法判断往哪个方向调整才能得到更高的分数，也就无法引导种群向目标区间迁移，自然没有效果。

额外注意 #

你提供的代码里有一处错误：适应度函数中用到的function_inputs变量没有定义，你要计算平均值的话直接用numpy.average(solution)即可，否则代码无法正常运行。

内容的提问来源于stack exchange，提问作者Roi