别再死磕梯度下降了！用Python手搓一个遗传算法，5分钟搞定函数最值问题

用Python玩转遗传算法：5行代码解决复杂函数优化难题

当你在处理一个崎岖不平的数学函数时，传统的优化方法就像在暴风雨中试图用指南针找路——梯度下降可能会被困在某个小土坡上，误以为这就是世界的最高点。而遗传算法则像一群探险家，从不同方向同时出发，通过"优胜劣汰"的自然法则，最终找到真正的珠穆朗玛峰。今天我们就用NumPy来实现这个神奇的算法，解决实际工程中常见的复杂函数优化问题。

1. 为什么梯度下降不够用？

在机器学习领域，我们经常需要寻找函数的最优解。传统方法如梯度下降确实有效，但它们存在几个致命弱点：

• 依赖梯度计算：如果函数不可导（比如有尖锐转折点），梯度下降就束手无策
• 容易陷入局部最优：就像在山脉中可能被困在小山丘上，误以为到达了最高点
• 参数敏感：学习率设置不当可能导致震荡或收敛过慢

典型场景对比：

提示：遗传算法特别适合参数搜索空间大、存在多个局部最优解的复杂优化问题

2. 遗传算法核心原理图解

遗传算法的灵感来自达尔文的自然选择理论。想象你有一群登山者（种群），他们的目标是找到山脉的最高点：

1. 初始化：随机生成一群登山者，分布在搜索空间的不同位置
2. 评估：测量每个登山者的海拔高度（适应度）
3. 选择：让海拔高的登山者有更大几率繁殖后代
4. 交叉：优秀登山者的"基因"（位置信息）相互组合
5. 变异：小概率随机改变某些登山者的位置
6. 迭代：重复2-5步，直到找到最高点

# 伪代码展示遗传算法流程 population = 随机生成初始种群() for _ in range(迭代次数): fitness = 计算每个个体的适应度(population) parents = 根据适应度选择优秀个体(population, fitness) offspring = 交叉和变异(parents) population = 新一代种群(offspring)

3. 手把手实现遗传算法

让我们用NumPy来实现一个完整的遗传算法，求解以下复杂函数的最大值：

$$ f(x,y) = 3(1-x)^2e^{-x^2-(y+1)^2} - 10(\frac{x}{5}-x^3-y^5)e^{-x^2-y^2} - \frac{1}{3}e^{-(x+1)^2-y^2} $$

3.1 初始化种群

种群中的每个个体代表一个可能的解（这里是一组(x,y)坐标）。我们需要将实数编码为二进制串：

import numpy as np DNA_SIZE = 24 # 每个参数的二进制编码长度 POP_SIZE = 200 # 种群大小 X_BOUND = [-3, 3] # x的取值范围 Y_BOUND = [-3, 3] # y的取值范围 def initialize_pop(): """初始化种群，每个个体用二进制串表示""" return np.random.randint(2, size=(POP_SIZE, DNA_SIZE*2))

3.2 解码与适应度计算

将二进制编码转换回实数，并计算每个个体的适应度（函数值）：

def decode_dna(pop): """将二进制DNA解码为实数(x,y)""" x_pop = pop[:, :DNA_SIZE] y_pop = pop[:, DNA_SIZE:] # 将二进制转换为[0,1]区间的小数 x = x_pop.dot(2**np.arange(DNA_SIZE)[::-1]) / (2**DNA_SIZE-1) y = y_pop.dot(2**np.arange(DNA_SIZE)[::-1]) / (2**DNA_SIZE-1) # 映射到实际取值范围 x = x * (X_BOUND[1]-X_BOUND[0]) + X_BOUND[0] y = y * (Y_BOUND[1]-Y_BOUND[0]) + Y_BOUND[0] return x, y def fitness(pop): """计算种群中每个个体的适应度""" x, y = decode_dna(pop) pred = 3*(1-x)**2*np.exp(-(x**2)-(y+1)**2) - \ 10*(x/5 - x**3 - y**5)*np.exp(-x**2-y**2) - \ 1/3**np.exp(-(x+1)**2 - y**2) return (pred - np.min(pred)) + 1e-3 # 保证适应度为正值

3.3 选择与繁殖

模拟自然选择过程，优秀个体有更高概率被选中繁殖：

def select(pop, fitness): """根据适应度选择优秀个体""" idx = np.random.choice( np.arange(POP_SIZE), size=POP_SIZE, replace=True, p=fitness/fitness.sum() # 选择概率与适应度成正比 ) return pop[idx] def crossover_and_mutate(pop, crossover_rate=0.8): """交叉和变异操作""" new_pop = [] for father in pop: child = father.copy() if np.random.rand() < crossover_rate: mother = pop[np.random.randint(POP_SIZE)] cross_point = np.random.randint(DNA_SIZE*2) child[cross_point:] = mother[cross_point:] mutate_point = np.random.randint(DNA_SIZE*2) child[mutate_point] ^= 1 # 二进制位翻转 new_pop.append(child) return np.array(new_pop)

4. 完整算法实现与优化技巧

将上述模块组合起来，我们得到完整的遗传算法实现：

def genetic_algorithm(generations=500): """完整遗传算法流程""" pop = initialize_pop() best_fitness = [] for _ in range(generations): # 计算适应度 fit = fitness(pop) best_fitness.append(np.max(fit)) # 选择、交叉、变异 pop = select(pop, fit) pop = crossover_and_mutate(pop) # 输出最终结果 x, y = decode_dna(pop) best_idx = np.argmax(fitness(pop)) print(f"最优解: x={x[best_idx]:.4f}, y={y[best_idx]:.4f}") print(f"函数最大值: {fitness(pop)[best_idx]:.4f}") return best_fitness

参数调优经验：

1. 种群大小：一般50-200，太大计算慢，太小多样性不足
2. 编码长度：影响精度，通常10-30位足够
3. 交叉概率：0.6-0.9之间，太高可能导致震荡
4. 变异概率：0.01-0.1，太高会破坏优秀基因

注意：变异概率应该随着迭代逐渐降低，前期探索全局，后期精细调整

5. 实战：遗传算法VS梯度下降

为了直观展示遗传算法的优势，我们对比两种方法在复杂函数优化中的表现：

测试函数：Rastrigin函数（以多局部极小值著称）

$$ f(x) = 10n + \sum_{i=1}^n [x_i^2 - 10\cos(2\pi x_i)] $$

对比结果：

# 遗传算法参数设置建议 optimal_params = { 'POP_SIZE': 100, # 中等规模种群 'DNA_SIZE': 20, # 足够编码精度 'CROSSOVER_RATE': 0.85, 'MUTATION_RATE': 0.02, 'GENERATIONS': 200 # 充足迭代次数 }

在实际项目中，遗传算法常与局部搜索方法结合使用——先用遗传算法找到大致区域，再用梯度下降精细调整。这种混合策略在深度学习超参数调优中效果显著。