You need to enable JavaScript to run this app. 遗传算法实现局部搜索触发TypeError: 'int' object is not subscriptable解决方法
优惠活动
大模型
产品
解决方案
定价
更多

遗传算法实现局部搜索触发TypeError: 'int' object is not subscriptable解决方法

代码报错修复与算法逻辑调整说明

直接触发TypeError的根因

报错的核心是两处语法和概念混淆:

  • 你写出的0[3,2,1]形式本质是尝试对整数0做下标取值,整数类型本身不支持下标索引,因此触发'int' object is not subscriptable错误。
  • 你误把计划存储的邻接结构数据,直接赋值给了遗传算法的初始种群列表。邻接结构是用于驱动局部搜索的静态关系数据,和代表候选解的种群是完全独立的两个模块。

正确的邻接结构存储格式为Python字典,代码写法:

adjacency = {
    0: [3, 2, 1],
    1: [4],
    2: [6, 5],
    3: [7],
    4: [8],
    5: [9]
}

如果直接保留原错误的种群写法,哪怕解决了下标报错,后续遍历种群时也会因为初始列表长度只有6,小于默认种群大小20,触发列表索引越界错误。

当前遗传算法存在的逻辑问题

  • 适应度函数完全不匹配目标:当前value()函数针对单整数决策变量设计,计算围绕两个固定数值峰值的得分,全程没有使用邻接结构数据,输出结果和参考图匹配度没有关联,无法驱动算法向目标收敛。
  • 选择算子存在偏移漏洞:原轮盘赌选择逻辑中,随机数命中累计概率位置后,错误取population[k-1]作为父代,导致选择结果固定偏移;同时第二个父代完全走随机抽取逻辑,没有实现稳定的选择压力。
  • 交叉算子易生成无效解:当前对整数转字符串后做切片交叉,没有做定长格式化,生成的子串长度不固定时会触发索引越界;且直接拼接数字字符串的方式,和图匹配场景常用的排列式染色体编码不兼容,会产生大量带重复节点、超出节点取值范围的无效解。
  • 变异算子缺乏边界约束:变异操作替换指定位置的数字后,直接转整数生成新个体,没有校验取值是否在决策变量的有效范围内。
  • 核心流程缺失:你计划结合的局部搜索模块完全没有接入算法流程,邻接结构数据没有被任何环节使用,整体只有纯遗传算法的基础骨架,没有实现邻域搜索优化的能力。

调整后可正常运行的基础代码

import random

stringSize = 4
top = 10 * stringSize
# 邻接结构存储位置,后续局部搜索环节直接调用
adjacency = {
    0: [3, 2, 1],
    1: [4],
    2: [6, 5],
    3: [7],
    4: [8],
    5: [9]
}

def value(s):
    # 后续需要替换为基于邻接结构的图匹配度计算逻辑,当前保留原函数保证流程可跑通
    return max(-abs(round(0.3*top) - s), .025 - abs(round(0.8 * top) - s))

def ga(times = 10, popSize = 20, mutation_prob = 0.001):
    # 修复初始种群的错误赋值,生成符合取值范围的初始候选解
    population = [int(random.random() * top) for j in range(popSize)]
    print(len(population))
    print("---")
    history = []
    for i in range(times):
        fitness = [value(population[j]) for j in range(popSize)]
        fitMax = -float('inf')
        jBest = 0
        for j in range(popSize):
            if fitness[j] > fitMax:
                fitMax = fitness[j]
                jBest = j
        history.append(population[jBest])
        # 适配适应度可能为负的场景,避免轮盘赌概率计算出现负值
        norm_fitness = [f - min(fitness) + 1e-6 for f in fitness]
        norm_sum = sum(norm_fitness)
        probs = [x/norm_sum for x in norm_fitness]
        cutoff = [sum(probs[:j+1]) for j in range(popSize)]
        children = []

        for j in range(popSize):
            r = random.random()
            selected_idx = 0
            for k in range(popSize):
                if r < cutoff[k]:
                    selected_idx = k
                    break
            par1 = population[selected_idx]
            par2 = population[int(random.random() * popSize)]
            split = int(random.random() * (stringSize + 1))
            # 把父代转成定长4位字符串,避免切片长度不匹配
            par1_str = f"{par1:0{stringSize}d}"
            par2_str = f"{par2:0{stringSize}d}"
            child_str = par1_str[:split] + par2_str[split:]
            if random.random() < mutation_prob:
                where = int(random.random() * stringSize)
                what = str(int(random.random() * 10))
                child_str = child_str[0:where] + what + child_str[where + 1:]
            # 把生成的子节点约束在有效取值范围内
            child = int(child_str) % top
            children.append(child)
        population = children
    return population

if __name__ == "__main__":
    final_pop = ga()
    print("基础流程运行完成")

调整后的代码已解决原运行时的下标报错、选择算子偏移、索引越界等问题,可无报错完成基础遗传算法流程。后续要实现图匹配目标,只需要替换value()函数为基于邻接结构的匹配度计算逻辑,并在每一代遗传操作完成后,调用邻接结构生成个体邻域做局部搜索,将优化后的个体放回种群即可。

内容的提问来源于stack exchange,提问作者HelloWorldd

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.29 23:54:06