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
相关产品推荐

