PyGAD遗传算法库进阶指南：多目标优化与基因空间控制

PyGAD遗传算法库进阶指南：多目标优化与基因空间控制

多目标优化实现

PyGAD遗传算法库从3.2.0版本开始支持基于NSGA-II算法的多目标优化功能。与单目标优化相比，多目标优化的实现差异主要体现在适应度函数的返回值上。

适应度函数设计差异

在单目标优化中，适应度函数返回单个数值：

def fitness_func(ga_instance, solution, solution_idx):
    ...
    return fitness_value

而在多目标优化中，适应度函数需要返回以下任意一种可迭代类型：

• 列表(list)
• 元组(tuple)
• NumPy数组(numpy.ndarray)

def fitness_func(ga_instance, solution, solution_idx):
    ...
    return [fitness1, fitness2, ..., fitnessN]

推荐使用的父代选择算子

对于多目标优化问题，建议使用以下两种父代选择算子：

1. nsga2：基于非支配排序和拥挤距离选择父代
2. tournament_nsga2：使用锦标赛选择，结合非支配排序和拥挤距离评估解的质量

多目标优化实例

下面是一个优化两个线性函数的多目标问题示例：

import pygad
import numpy

# 定义两个函数的输入和期望输出
function_inputs1 = [4,-2,3.5,5,-11,-4.7]  # 函数1输入
function_inputs2 = [-2,0.7,-9,1.4,3,5]    # 函数2输入
desired_output1 = 50  # 函数1期望输出
desired_output2 = 30  # 函数2期望输出

def fitness_func(ga_instance, solution, solution_idx):
    output1 = numpy.sum(solution*function_inputs1)
    output2 = numpy.sum(solution*function_inputs2)
    fitness1 = 1.0 / (numpy.abs(output1 - desired_output1) + 0.000001)
    fitness2 = 1.0 / (numpy.abs(output2 - desired_output2) + 0.000001)
    return [fitness1, fitness2]

# 遗传算法参数配置
ga_instance = pygad.GA(
    num_generations=100,
    num_parents_mating=10,
    sol_per_pop=20,
    num_genes=len(function_inputs1),
    fitness_func=fitness_func,
    parent_selection_type='nsga2'
)

ga_instance.run()

基因空间控制

PyGAD提供了gene_space参数来精确控制每个基因的取值范围，这在2.11.0版本后得到了增强。

基本用法

1. 为每个基因指定离散值集合：

gene_space = [[0.4, 12, -5, 21.2],  # 基因1可选值
              [-2, 0.3],            # 基因2可选值
              [1.2, 63.2, 7.4]]     # 基因3可选值

2. 所有基因共享同一组离散值：

gene_space = [33, 7, 0.5, 95, 6.3, 0.74]

3. 使用range指定离散范围：

gene_space = [range(5), range(10, 20)]  # 基因1:0-4, 基因2:10-19

连续值范围控制

从2.11.0版本开始，gene_space支持通过字典指定连续值范围：

gene_space = {'low': 1, 'high': 5}  # 基因值在[1,5)区间内

也可以添加步长参数，此时变为离散值选择：

gene_space = {'low': 1, 'high': 5, 'step': 0.5}

None值的特殊含义

将基因空间设为None表示：

• 初始化时：从init_range_low和init_range_high定义的范围内随机生成
• 变异时：从random_mutation_min_val和random_mutation_max_val定义的范围内随机生成

gene_space = [range(5), None, numpy.linspace(10, 20, 300)]

算法控制机制

任意代数停止

从2.4.0版本开始，可以通过在on_generation回调函数中返回"stop"字符串来提前终止算法：

def func_generation(ga_instance):
    if ga_instance.best_solution()[1] >= 70:
        return "stop"

停止条件设置

2.15.0版本引入了stop_criteria参数，支持两种停止条件：

1. 达到目标值："reach_40"表示适应度≥40时停止
2. 适应度饱和："saturate_7"表示适应度连续7代无变化时停止

ga_instance = pygad.GA(
    ...,
    stop_criteria=["reach_127.4", "saturate_15"]
)

总结

PyGAD库提供了强大的多目标优化能力和精细的基因空间控制功能，使得遗传算法的应用更加灵活和精确。通过合理设置基因空间和停止条件，可以显著提高算法的效率和优化效果。这些进阶功能为复杂优化问题的解决提供了有力工具。