Matlab遗传算法(GA)移植Python后无法正常进化问题求助

已确认对齐的差异点 #

• Matlab索引从1开始、Python索引从0开始
• 种群规模为奇数时的循环取整逻辑已显式对齐
• Matlab size() 对应Python shape() 用法已修正

高概率未对齐的GA核心逻辑排查点 #

1. 适应度函数实现 #

• 固定一组测试输入，分别输出Matlab和Python的目标函数值做逐点校验，确认数值计算逻辑完全一致。注意Matlab与Python numpy 隐式广播规则的边界差异，避免因维度自动补全导致的计算偏差
• 确认适应度转换逻辑对齐：若为最大化优化问题，检查是否误将最小值适配逻辑套用到当前场景，或是适应度缩放（如倒数转换、偏移量计算）的系数设置错误

2. 选择算子实现 #

• 轮盘赌选择场景下，确认累计概率计算逻辑、随机数生成区间完全对齐：Matlab rand() 与Python numpy.random.rand() 均生成[0,1)区间的随机值，若使用Python标准库random需额外确认区间匹配
• 检查精英保留逻辑是否遗漏：你观察到的迭代几代后适应度最大、最小、中位数完全重合属于典型的种群多样性过早丢失，大概率是原Matlab代码的每代保留最优个体逻辑未在Python端实现，或是选择算子的采样逻辑错误导致种群快速被单一个体覆盖

3. 交叉算子实现 #

• 确认交叉概率的判断逻辑未写反：如原Matlab逻辑为随机数小于交叉概率时执行交叉，避免Python端误写为大于阈值触发交叉
• 实数编码场景下，确认算术交叉的系数生成范围、计算逻辑与Matlab完全对齐；离散编码场景下确认交叉点位的截取范围没有索引越界或偏移

4. 变异算子实现 #

• 检查变异概率的量级是否正确：若Matlab端使用1e-2量级的变异概率，Python端误写为0.1以上会导致优秀个体被频繁破坏，概率过低则会导致种群失去多样性快速收敛到局部最优
• 实数编码场景下确认变异步长的扰动范围与Matlab端完全对齐，避免步长过大导致优秀个体被冲离最优区间，或是步长过小无法跳出局部最优

5. 逐代对比校验方法 #

给两端代码设置相同的固定随机种子，逐代输出核心变量做对齐校验：

• Matlab固定随机种子用 rng(123)
• Python numpy固定随机种子用 np.random.seed(123)
  依次对比每一代的初始种群、适应度数组、选择后种群、交叉后种群、变异后种群的数值，哪一步出现数值差异，问题就出在对应的算子实现中

内容的提问来源于stack exchange，提问作者clme