如何实现低适应度Board优先的带偏随机选择及选中记录功能？

嘿，这两个需求都很好实现，我给你拆解一下：

一、实现偏向低fitness值的随机选择 #

你想用random()加阈值的思路是对的，更简洁的方式是基于权重的随机选择——给fitness越低的board分配越高的选中权重。Python的random.choices()原生支持权重参数，非常适合这个场景。

因为你的population是heapq（本质是列表），每个元素是(fitness, board)，我们可以直接提取fitness计算权重：

import random

def weighted_random_selection(population):
    # 拆分fitness和board列表
    fitnesses, boards = zip(*population)
    # 计算权重：fitness越低，权重越高（+1避免fitness为0时除零错误）
    weights = [1 / (fit + 1) for fit in fitnesses]
    # 按权重随机选1个board
    return random.choices(boards, weights=weights, k=1)[0]

举个例子，你提到的(1, board1)和(7, board2)，它们的权重分别是1/2和1/8，board1的选中概率是board2的4倍，完美符合你要的偏向性。

如果你想要更强的线性偏向（比如fitness=1的概率是fitness=7的7倍），可以换成线性反向权重：

max_fitness = max(fit for fit, _ in population)
weights = [max_fitness - fit + 1 for fit in fitnesses]

二、跟踪已选中的board #

因为所有board都是唯一的，我们可以用集合来记录选中历史（集合自动去重，查询效率高）。最好把选择逻辑和跟踪逻辑封装成类，避免全局变量的混乱：

import random

class BoardSelectionTracker:
    def __init__(self):
        # 用集合存储已选中的board（要求board是可哈希类型，比如元组、自定义哈希对象）
        self.selected_boards = set()
    
    def weighted_select(self, population):
        fitnesses, boards = zip(*population)
        weights = [1 / (fit + 1) for fit in fitnesses]
        selected_board = random.choices(boards, weights=weights, k=1)[0]
        # 记录选中的board
        self.selected_boards.add(selected_board)
        return selected_board
    
    def get_selected_history(self):
        # 返回副本，避免外部修改内部集合
        return self.selected_boards.copy()

使用起来很简单：

# 初始化跟踪器
tracker = BoardSelectionTracker()
# 多次选择
selected = tracker.weighted_select(population)
# 查看历史选中记录
print(tracker.get_selected_history())

如果你的board是不可哈希的类型（比如列表），可以把它转换成可哈希的形式（比如tuple(board)）再存入集合，或者给自定义的board类实现__hash__和__eq__方法。

额外说明 #

你的population是heapq堆结构，但这不影响我们的权重计算——因为堆只是维护了元素的顺序，我们依然可以遍历所有元素来计算每个board的权重，完全不冲突。

内容的提问来源于stack exchange，提问作者Joshua