学术资源 / 固定快照

PyGAD 3.8 修正了选择与交叉偏差

PyGAD 是用 Python 构建遗传算法的开源库，仓库为 ahmedfgad/GeneticAlgorithmPython，采用 BSD-3-Clause 许可证。2026 年 10 月 9 日和 11 日先后发布的 3.8.0 与 3.8.1 修正了排序选择、SBX 交叉和整数变异中的偏差与溢出，同一随机种子下的结果可能与旧版不同。本文为资料核验，未安装实测。  演化算法的一般过程示意。遗传算法是演化算法的一类，PyGAD 提供的父代选择、交叉和变异算子对应这一过程中的各个环节；本图是通用算法示意，不是 PyGAD 的界面或运行结果。图：Jorge.maturana，来源 [Wikimedia Commons](https://commons.wikimedia.org/wiki/File:Evolutionary_Algorithm.svg)，许可 [CC BY 3.0](https://creativecommons.org/licenses/by/3.0/)。 ### 仓库、许可与使用方式 截至 2026 年 10 月 21 日核验，GitHub 仓库 ahmedfgad/GeneticAlgorithmPython 创建于 2018 年 12 月，未归档，最近一次推送在 10 月 17 日（UTC），文档位于 pygad.readthedocs.io。根目录 LICENSE 是 BSD 三条款许可证正文，版权声明为“Copyright GeneticAlgorithmPython Contributors”，GitHub 元数据同样识别为 BSD-3-Clause：允许修改和再分发，须保留版权声明和免责条款，且未经书面许可不得用版权人或贡献者的名义为衍生产品背书。项目要求 Python 3.8 及以上，核心依赖只有 NumPy 和 cloudpickle；绘图需要 matplotlib，生成 PDF 报告另需 reportlab，Keras、TensorFlow、PyTorch 属于可选的深度学习依赖。官方文档给出的安装命令是 `pip3 install pygad`，本文没有在本机执行。 使用 PyGAD 的核心是自己写一个适应度函数：它接收一个候选解（一组基因值），返回一个分数，分数越高表示解越好。函数返回单个数值时按单目标问题处理，返回列表、元组或 NumPy 数组时按多目标问题处理。随后在 `pygad.GA` 中设定代数、种群规模、基因数量和初始取值范围，以及父代选择、交叉和变异方式，调用 `run()` 运行，再用 `best_solution()` 取出最优解。库内按用途分成若干模块：`pygad.utils` 存放交叉、变异、父代选择算子和 NSGA-II、NSGA-III 多目标算法，`pygad.visualize` 负责绘图，`pygad.gann`、`pygad.kerasga`、`pygad.torchga` 用遗传算法训练神经网络或 Keras、PyTorch 模型。作者 Ahmed Fawzy Gad 在《Multimedia Tools and Applications》上发表过介绍该库的论文，文档建议使用者引用。 ### 3.8 版的修正与后续版本 3.8.0 的发布说明注明发布日期为 2026 年 10 月 9 日，GitHub 上的发布记录时间为 10 月 10 日（UTC），共列出 35 项改动，其中几项直接关系到算法是否按定义运行。排序选择（rank selection）本应按适应度从好到坏排名，排名越靠前的解越容易被选为父代；旧实现存在偏差，反而让较差的解获得更高的选择概率。新版改为按从优到劣的顺序分配递减权重，并用回归测试核对精确概率、负适应度、多目标向量和并列排名（issue #120）。SBX 交叉（模拟二进制交叉）原先偏向数值较低的子代，现在以相等概率取较低或较高的一个（PR #376）。两点交叉的两个切点改为在全部位置中等概率抽取，单基因时不再报切片错误（PR #371）；交换变异可以选中任意两个不同位置（PR #375）；随机通用抽样按实际请求的父代数量设置指针间距（issue #85）；打乱变异可以产生选定片段的任意排列（issue #76）。 同一版本还调整了几处影响复现和诊断的机制。每个 `GA` 实例改为持有自己的 NumPy 和 Python 随机数生成器，检查点会保存生成器状态，自定义算子和回调也能调用这两个生成器。并行适应度计算在串行、线程和进程三种模式下使用相同的缓存与校验规则；适应度出现 NaN、空向量或目标数量不一致时，会在父代选择之前直接报错。`saturate_N` 停止条件改为检查连续未变化的代数，`saturate_1` 不再让仍在改进的运行提前停止。新增的 `plot_lifecycle()` 方法可以画出当前实例配置的算子、回调和停止条件，并导出为 SVG、PNG 或 PDF。发布说明同时提醒：各算子消耗随机数的方式变了，同一个 `random_seed` 在同一版本和环境中仍可复现，但结果可能与旧版本不同。  演化算法的循环：i 为初始化，f(X) 为评估，? 为停止判断，Se 为选择，Cr 为交叉，Mu 为变异，Re 为替换，X* 为输出的最优解。PyGAD 3.8.0 修正的排序选择和随机通用抽样属于 Se 环节，SBX 与两点交叉属于 Cr 环节，交换变异、打乱变异以及 3.8.1 的窄整数裁剪属于 Mu 环节。本图是通用算法示意，不是 PyGAD 官方图或运行结果。图：Johann “nojhan” Dréo，来源 [Wikimedia Commons](https://commons.wikimedia.org/wiki/File:Evolutionary_algorithm.svg)，许可 [CC BY-SA 3.0](https://creativecommons.org/licenses/by-sa/3.0/)。 3.8.1 于 2026 年 10 月 11 日发布，处理的是整数基因。当使用者显式指定 `numpy.uint8`、`numpy.int8` 这类窄整数类型时，随机变异和自适应变异生成的数值可能超出类型范围，转换时报溢出错误，或者发生回绕，也就是越界的数从另一端绕回来，类似 uint8 中 256 变成 0。新版在转换前先把数值裁剪到该类型的上下限之内，同一规则覆盖加性与替换式变异、约束候选值和重复基因修复（issue #379）。另一项修复针对 Windows 上的 NumPy 1.x：Python 整数现在统一以有符号 64 位存储，解决了大整数转换和种群初始化失败的问题；使用者自己提供的 Python 整数种群值必须落在 64 位范围内，更大的整数需要设 `gene_type=object`。持续集成现在在 Windows 上同时测试 NumPy 1.24.4 和最新版，此前在 NumPy 1.24.4 下失败的 16 个 Windows 测试已修复，最低 NumPy 版本没有提高。 3.8.1 已不是最新版本。截至 10 月 21 日，GitHub Releases 上还有 10 月 16 日连续发布的 3.9.0、3.9.1 和 3.9.2，文档首页却仍写着当前版本为 3.8.1。3.9.0 让 SBX 交叉和多项式变异对整数基因四舍五入而不是截断：此前整数基因的最大值几乎取不到，数值被拉向零，因此同一种子下整数基因的结果会改变；这一版还新增 `gene_categorical` 参数，用于没有大小顺序的类别型基因。3.9.1 修正了轮盘赌选择和随机通用抽样处理负适应度的方式。旧做法直接用适应度除以总和，负值会把优劣顺序颠倒，发布说明举例说，适应度为 -1 和 -9 时，较差的那个解拿到 90% 的选择机会。3.9.2 又修复了适应度接近浮点上限时这两种选择方法的溢出。

收录日期

2026-10-21

类别

数据与评测

状态

资料核验，未安装实测（2026-10-21 核对 GitHub 仓库、Releases、LICENSE 与 pyproject.toml）

在交互式日历中查看这条记录 ↗