本文旨在介绍如何在使用 DEAP (Distributed Evolutionary Algorithms in Python) 库进行遗传算法编程时，高效地获取每一代种群中的最佳个体。通过结合 HallOfFame 类和 MultiStatistics 类，我们可以轻松地追踪并记录每一代的最优解，从而进行后续的分析或可视化。本文提供了一种简洁明了的方法，避免了复杂的过滤操作，提高了代码效率。
在使用 DEAP 进行遗传算法开发时，经常需要追踪每一代种群中的最佳个体，以便分析算法的收敛情况或者进行可视化展示。一种常见的方法是使用 tools.Statistics 和 tools.MultiStatistics 类来记录种群的统计信息。然而，如果直接在 Statistics 类中注册一个复杂的函数来查找最佳个体，可能会导致性能问题，尤其是在种群规模较大时。
更高效的方法是利用 DEAP 提供的 HallOfFame 类。HallOfFame 类可以自动记录种群中适应度最高的若干个个体。我们可以在每一代结束后，从 HallOfFame 中获取最佳个体，并将其添加到 MultiStatistics 中。
以下是一个示例代码：
import numpy as np
from deap import base, creator, tools, algorithms
# 假设已经定义了适应度函数 tspDistance 和常量 consts
# 例如：
# def tspDistance(individual):
# # 计算个体的适应度
# return np.sum(individual)
# consts.HALL_OF_FAME_SIZE = 1
# consts.P_CROSSOVER = 0.9
# consts.P_MUTATION = 0.1
# consts.MAX_GENERATIONS = 10
# 创建个体和种群
creator.create("FitnessMin", base.Fitness, weights=(-1.0,))
creator.create("Individual", list, fitness=creator.FitnessMin)
toolbox = base.Toolbox()
# 假设已经定义了 toolbox.register("attribute", ...) 和 toolbox.register("individual", ...)
# 以及 toolbox.register("population", ...)
# 例如：
# toolbox.register("attribute", np.random.rand)
# toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attribute, n=10)
# toolbox.register("population", tools.initRepeat, list, toolbox.individual)
# toolbox.register("mate", tools.cxTwoPoint)
# toolbox.register("mutate", tools.mutGaussian, mu=0, sigma=1, indpb=0.1)
# toolbox.register("select", tools.selTournament, tournsize=3)
# toolbox.register("evaluate", tspDistance)
# 初始化 HallOfFame
hof = tools.HallOfFame(consts.HALL_OF_FAME_SIZE)
# 配置统计信息
stats = tools.Statistics(lambda ind: ind.fitness.values)
stats.register('min', np.min)
stats.register('mean', np.mean)
# 定义一个函数，从 HallOfFame 中获取最佳个体
def get_best_from_hof(hof):
return hof[0] if hof else None # 确保 hof 不为空
# 注册历史记录，使用 HallOfFame 中的最佳个体
history = tools.Statistics(lambda ind: ind)
history.register('hof', get_best_from_hof, hof=hof) # 传递 hof 对象
# 创建 MultiStatistics 对象
mstats = tools.MultiStatistics(fitness=stats, history=history)
# 初始化种群
population = toolbox.population(n=100)
# 运行遗传算法
population, logbook = algorithms.eaSimple(population, toolbox,
cxpb=consts.P_CROSSOVER, mutpb=consts.P_MUTATION,
ngen=consts.MAX_GENERATIONS, stats=mstats,
halloffame=hof, verbose=True)
# 现在可以通过 logbook 访问每一代的最佳个体
# 例如：
# print(logbook.chapters['history'].select('hof'))代码解释：
- HallOfFame: tools.HallOfFame(consts.HALL_OF_FAME_SIZE) 用于存储最优的个体。 consts.HALL_OF_FAME_SIZE 定义了存储的个体数量。 通常设置为1，只保留最佳个体。
- history.register('hof', get_best_from_hof, hof=hof): 关键在于这一行。 我们定义了一个 get_best_from_hof 函数，它接受 hof 对象作为参数，并返回 hof 中的第一个个体（即最佳个体）。 我们将这个函数注册到 history 统计信息中，并将 hof 对象传递给它。 这样，每一代都会从 HallOfFame 中获取最佳个体并记录下来。
- algorithms.eaSimple: 在 eaSimple 函数中，halloffame=hof 确保每一代更新 HallOfFame，stats=mstats 确保每一代记录统计信息，包括从 HallOfFame 中获取的最佳个体。
注意事项：
- 确保 consts.HALL_OF_FAME_SIZE 设置为适当的值。如果只需要记录每一代的最佳个体，设置为 1 即可。
- tspDistance 函数需要正确计算个体的适应度值。
- 如果 HallOfFame 为空，hof[0] 会抛出异常。所以在 get_best_from_hof 函数中添加了 if hof else None 的判断。
总结：
通过结合 HallOfFame 和 MultiStatistics，可以更高效地获取每一代种群中的最佳个体。这种方法避免了在统计信息中进行复杂的过滤操作，提高了代码的执行效率。同时，它也使得代码更加简洁易懂，方便后续的分析和可视化。
