用Python实现遗传算法：5分钟突破传统优化瓶颈

当面对复杂函数优化问题时，许多开发者会本能地选择梯度下降这类传统方法。然而，当目标函数存在多个局部极值、不可导或参数空间维度较高时，这些方法往往陷入困境。遗传算法作为一种仿生优化技术，正成为解决这类问题的利器。

1. 遗传算法核心原理与优势

遗传算法模拟自然界"物竞天择"的进化机制，通过编码、选择、交叉和变异等操作在解空间中进行全局搜索。与传统优化方法相比，它具有三大独特优势：

• 无需梯度信息 ：不依赖目标函数的可导性
• 全局搜索能力 ：通过种群多样性避免陷入局部最优
• 并行搜索特性 ：同时评估多个潜在解

下表对比了遗传算法与梯度下降的关键差异：

特性	遗传算法	梯度下降
需要导数	否	是
搜索方式	多点并行	单点串行
适用问题	非凸、多峰	凸、平滑
参数敏感	中等	高

# 示例：Rastrigin函数 - 典型的多峰测试函数
import numpy as np
def rastrigin(x):
    return 10*len(x) + sum([(xi**2 - 10*np.cos(2*np.pi*xi)) for xi in x])

提示：当目标函数存在大量局部极小值时，传统优化方法极易陷入早熟收敛，而遗传算法能保持更好的搜索广度。

2. Python实现遗传算法框架

让我们从零构建一个完整的遗传算法实现。以下代码框架仅需NumPy库支持，适合各种优化场景。

2.1 种群初始化与编码

实数编码直接使用解向量作为染色体，是最直观的表示方式：

import numpy as np

class GeneticAlgorithm:
    def __init__(self, pop_size, dna_size, cross_rate, mutation_rate, max_gen):
        self.pop_size = pop_size      # 种群规模
        self.dna_size = dna_size      # 解向量维度
        self.cross_rate = cross_rate  # 交叉概率
        self.mut_rate = mutation_rate # 变异概率
        self.max_gen = max_gen        # 最大迭代次数
        
    def init_population(self, bounds):
        """初始化种群"""
        self.bounds = np.array(bounds)
        self.pop = np.random.uniform(
            low=self.bounds[:,0], 
            high=self.bounds[:,1],
            size=(self.pop_size, self.dna_size)
        )

2.2 适应度评估与选择

采用轮盘赌选择机制，适应度越高被选中的概率越大：

def evaluate(self, func):
    """评估种群适应度"""
    self.fitness = 1 / (func(self.pop) + 1e-6)  # 防止除零
    return self.fitness

def select(self):
    """轮盘赌选择"""
    idx = np.random.choice(
        np.arange(self.pop_size),
        size=self.pop_size,
        replace=True,
        p=self.fitness/self.fitness.sum()
    )
    self.pop = self.pop[idx]

2.3 遗传操作实现

交叉和变异是算法核心，直接影响搜索效率：

def crossover(self):
    """算术交叉"""
    for parent in self.pop:
        if np.random.rand() < self.cross_rate:
            i_ = np.random.randint(0, self.pop_size)
            cross_points = np.random.rand(self.dna_size) < 0.5
            parent[cross_points] = self.pop[i_][cross_points]

def mutate(self):
    """非均匀变异"""
    for child in self.pop:
        if np.random.rand() < self.mut_rate:
            mutate_points = np.random.rand(self.dna_size) < 0.2
            noise = np.random.randn(self.dna_size) * 0.1
            child[mutate_points] += noise[mutate_points]
            # 边界处理
            child[:] = np.clip(child, self.bounds[:,0], self.bounds[:,1])

3. 实战：多峰函数优化案例

让我们用实现的算法优化一个经典测试函数：

3.1 问题描述

优化Ackley函数： f(x) = -20*exp(-0.2√(1/n∑x²)) - exp(1/n∑cos(2πx)) + 20 + e

该函数在原点处有全局最小值0，同时包含大量局部极小点，是测试算法全局搜索能力的理想案例。

def ackley(x):
    x = np.array(x)
    term1 = -20 * np.exp(-0.2 * np.sqrt(np.mean(x**2)))
    term2 = -np.exp(np.mean(np.cos(2 * np.pi * x)))
    return term1 + term2 + 20 + np.e

3.2 参数配置与优化

合理设置算法参数对性能至关重要：

# 算法参数配置
ga = GeneticAlgorithm(
    pop_size=200,       # 种群规模
    dna_size=10,        # 解向量维度
    cross_rate=0.8,     # 交叉概率
    mutation_rate=0.01, # 变异概率
    max_gen=100         # 最大迭代次数
)

# 定义搜索空间 [-5,5]^10
bounds = [[-5,5]] * 10  
ga.init_population(bounds)

# 进化过程记录
best_fitness = []
for generation in range(ga.max_gen):
    fitness = ga.evaluate(ackley)
    best_fitness.append(np.min(1/fitness - 1e-6))
    ga.select()
    ga.crossover()
    ga.mutate()

3.3 结果可视化

import matplotlib.pyplot as plt
plt.plot(best_fitness)
plt.xlabel('Generation')
plt.ylabel('Best Fitness')
plt.title('Evolution Process')
plt.show()

经过100代进化，算法能找到非常接近理论最优解的结果，验证了实现的正确性。

4. 高级技巧与性能优化

要让遗传算法在实际问题中发挥最佳效果，还需要掌握以下进阶技巧：

4.1 自适应参数调整

固定参数难以适应不同进化阶段的需求，动态调整策略可显著提升性能：

def adaptive_params(self, gen):
    """自适应调整交叉和变异概率"""
    # 早期鼓励探索，后期加强开发
    self.cross_rate = 0.9 - 0.6 * (gen/self.max_gen)
    self.mut_rate = 0.1 - 0.09 * (gen/self.max_gen)

4.2 精英保留策略

防止优秀个体在进化过程中丢失：

def elitism(self, new_pop, fitness):
    """保留前10%的精英个体"""
    elite_size = int(self.pop_size * 0.1)
    elite_idx = np.argsort(fitness)[-elite_size:]
    new_pop[-elite_size:] = self.pop[elite_idx]
    return new_pop

4.3 混合优化策略

结合局部搜索方法提升收敛精度：

from scipy.optimize import minimize

def local_search(self, best_individual):
    """用局部搜索优化最佳个体"""
    res = minimize(
        ackley, 
        best_individual,
        bounds=self.bounds,
        method='L-BFGS-B'
    )
    return res.x

在实际项目中，遗传算法常与梯度下降等传统方法结合使用——先用遗传算法进行全局探索，再通过局部搜索精细调优。这种混合策略兼具两者的优势，能高效解决复杂优化问题。