Pygad优化：当适应度饱和时如何重新初始化种群以避免局部最优

def on_generation(ga_i):
    # 确保已经运行了足够多的代数来检查饱和
    if ga_i.generations_completed > 10: # 例如，检查过去10代的饱和情况
        # 检查当前最佳适应度是否与10代前的最佳适应度相同
        if ga_i.best_solutions_fitness[-1] == ga_i.best_solutions_fitness[-10]:
            # 适应度饱和，执行种群重新初始化
            pass # 后续将在此处添加初始化代码

import pygad

def fitness_func(ga_instance, solution, solution_idx):
    # 这是一个示例适应度函数，实际应用中会根据具体问题定义
    # 返回一个固定的值，用于演示适应度饱和的情况
    return 5

def on_generation(ga_i):
    # 确保至少运行了10代才能检查饱和
    if ga_i.generations_completed > 10:
        # 检查过去10代的最佳适应度是否保持不变
        # 如果当前代和10代前的最佳适应度相同，则认为适应度饱和
        if ga_i.best_solutions_fitness[-1] == ga_i.best_solutions_fitness[-10]:
            print(f"Generation {ga_i.generations_completed}: Fitness saturated. Reinitializing population.")
            # 重新初始化种群，使用当前的基因范围和设置
            ga_i.initialize_population(low=ga_i.init_range_low,
                                       high=ga_i.init_range_high,
                                       allow_duplicate_genes=ga_i.allow_duplicate_genes,
                                       mutation_by_replacement=True,
                                       gene_type=ga_i.gene_type)
            # 此时，新的种群已经创建并赋值给 'population' 参数，算法将基于新种群继续迭代。

# 初始化PyGAD实例
ga_instance = pygad.GA(num_generations=50, # 总共运行50代
                       sol_per_pop=10,    # 每代10个解决方案
                       num_genes=2,       # 每个解决方案有2个基因
                       num_parents_mating=2, # 每次交配选择2个父代
                       fitness_func=fitness_func, # 适应度函数
                       init_range_low=0,  # 基因的下限
                       init_range_high=10, # 基因的上限
                       on_generation=on_generation, # 注册回调函数
                       gene_type=float)   # 基因类型为浮点数

# 运行遗传算法
ga_instance.run()

# 打印最终结果（可选）
print("Optimization completed.")
print(f"Best solution found: {ga_instance.best_solution()[0]}")
print(f"Best solution fitness: {ga_instance.best_solution()[1]}")