Pymoo 遗传算子完全指南采样、选择、交叉、变异与修复的配置与调优【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills本篇文章围绕本仓库 pymoo 技能包中的 references/operators.md 展开系统梳理 pymoo 中四大类遗传算子Sampling、Selection、Crossover、Mutation与修复算子Repair的类型、参数语义、调用方式和组合策略。读完本文你将能够为连续、二进制、整数、排列以及混合变量问题搭配合适的算子组合掌握字符串式快捷配置并结合 scripts/ 中的可运行示例与 references/algorithms.md 中的算法参数说明独立完成 GA/NSGA-II 等进化算法的定制与调优。一、算子体系概述进化算法的四大齿轮在 pymoo 中任何基于种群的进化算法如 GA、NSGA-II都可以抽象为采样Sampling→ 选择Selection→ 交叉Crossover→ 变异Mutation→ 生存Survival的循环。其中前四步由本文讨论的**遗传算子genetic operators**驱动Sampling采样算子在优化开始时初始化种群决定算法从哪些起点出发Selection选择算子从当前种群中选择父代用于繁殖决定搜索方向的偏好Crossover交叉算子重组父代解生成子代负责利用exploitation与探索exploration之间的核心平衡Mutation变异算子对子代施加随机扰动以维持种群多样性防止过早收敛Repair修复算子在变异后修正非法解使其重新满足变量边界或问题约束。从 references/algorithms.md 可以看到GA 与 NSGA-II 等算法都把sampling、selection、crossover、mutation作为构造参数暴露出来并给出了各算法默认的算子组合例如 NSGA-II 默认使用 SBX 交叉 多项式变异 二元锦标赛选择。理解每个算子的行为与参数是定制算法、提升求解质量的起点。二、采样算子Sampling决定初始种群采样算子的职责是在优化开始前生成初始种群。初始种群的分布质量直接影响算法的收敛速度与最终解的质量。2.1 随机采样Random Sampling用途生成随机初始解是最通用、最省心的起点。按变量类型划分的四个实现类型类名适用场景连续变量FloatRandomSampling实数优化问题二进制变量BinaryRandomSampling0/1 编码问题整数变量IntegerRandomSampling离散整数问题排列变量PermutationRandomSamplingTSP、排程等排列问题用法from pymoo.operators.sampling.rnd import FloatRandomSampling sampling FloatRandomSampling()在仓库的 single_objective_example.py 中FloatRandomSampling()被显式传入GA()作为初始采样策略而 custom_problem_example.py 中的NSGA2(pop_size100)未显式指定采样则使用算法内置默认值。2.2 拉丁超立方采样Latin Hypercube Sampling, LHS用途生成具有空间填充性质的初始种群相比纯随机采样能更均匀地覆盖搜索空间space-filling。类型LHS标准拉丁超立方。用法from pymoo.operators.sampling.lhs import LHS sampling LHS()何时优先选 LHS当目标函数昂贵、总体评估次数有限时LHS 能保证初始种群雨露均沾地覆盖整个可行域避免随机采样可能出现的扎堆或空洞从而降低算法对运气成分的依赖。2.3 自定义采样除算子类外pymoo 还允许直接通过Population对象或 NumPy 数组提供初始种群。这在热启动warm start、继承上一步结果继续优化等场景中非常实用——例如想从上一轮优化得到的个体继续搜索直接把它作为初始种群传入即可。三、选择算子Selection决定谁有资格繁殖选择算子的职责是从当前种群中挑选父代其设计目标是在偏袒好解与保持多样性之间取得平衡。3.1 锦标赛选择Tournament Selection用途通过锦标赛竞争挑选父代是 pymoo 的默认选择机制。机制随机抽取k个个体从中选出适应度最优者作为父代。锦标赛规模越大选择压力越强种群越容易被精英主导。参数参数含义默认值pressure锦标赛规模 k2func_comp自定义比较函数默认按目标值比较用法from pymoo.operators.selection.tournament import TournamentSelection selection TournamentSelection(pressure2)调优提示pressure越大选择压力越强、收敛越快但多样性与陷入局部最优的风险也同时上升pressure2是兼顾两者的经典默认。3.2 随机选择Random Selection用途均匀随机地选择父代不参考适应度。适用场景作为基线对照或用于以探索为主的算法阶段例如某些多目标算法的多样化环节。用法from pymoo.operators.selection.rnd import RandomSelection selection RandomSelection()从源码结构看RandomSelection位于pymoo.operators.selection.rnd模块与采样模块pymoo.operators.sampling.rnd并列pymoo 对随机型算子采用了统一的rnd模块命名。四、交叉算子Crossover重组父代生成子代交叉算子通过重组两个父代的基因产生子代是进化算法利用优秀基因块的主要手段。不同变量类型需要不同语义的交叉算子。4.1 连续变量的交叉模拟二进制交叉SBX, Simulated Binary Crossover用途连续优化场景下的首选交叉算子。机制模拟二进制编码下的单点交叉在实数空间中的行为——子代以较高概率分布在父代附近同时保留一定探索能力。参数参数含义默认值prob交叉概率0.9eta分布指数15eta越大 → 子代越贴近父代偏局部搜索、利用eta越小 → 子代越远离父代偏探索。用法from pymoo.operators.crossover.sbx import SBX crossover SBX(prob0.9, eta15)字符串简写real_sbx仓库证据在 single_objective_example.py 中GA 使用SBX(prob0.9, eta15)而 algorithms.md 明确 NSGA-II 对连续变量的默认交叉即 SBX。差分进化交叉DE Crossover用途DE 算法专属的重组方式通过差分向量引入扰动。常见变体DE/rand/1/binDE/best/1/binDE/current-to-best/1/bin参数参数含义CR交叉率crossover rateF缩放因子scaling factorF控制差分扰动的幅度CR控制子代从变异向量继承基因的比例二者共同决定 DE 的搜索步长与多样性。4.2 二进制变量的交叉单点交叉Single Point Crossover用途在单个位点切断并交换两侧基因。from pymoo.operators.crossover.pntx import SinglePointCrossover crossover SinglePointCrossover()两点交叉Two Point Crossover用途在两个位点之间切断并交换中间段基因。相比单点交叉能保留更多组合块。from pymoo.operators.crossover.pntx import TwoPointCrossover crossover TwoPointCrossover()K 点交叉K-Point Crossover用途在n_points个位点处切断并交替交换基因段适用于更分散的基因块重组。参数n_points交叉点数。均匀交叉Uniform Crossover用途子代的每个基因独立地以概率prob从某一父代继承。参数参数含义默认值prob单个基因交换概率0.5from pymoo.operators.crossover.ux import UniformCrossover crossover UniformCrossover(prob0.5)半均匀交叉HUX, Half Uniform Crossover用途在两个父代存在差异的基因位点中恰好交换其中一半。优势在保持基因差异即遗传多样性的同时完成重组特别适合对多样性敏感的二进制多目标问题。字符串简写为bin_hux。4.3 排列变量的交叉排列问题的难点在于交叉后必须仍然是一个合法排列无重复、无缺失。下列算子专门为此设计。顺序交叉Order Crossover, OX用途尽量保留父代中基因的相对顺序。适用场景旅行商问题TSP、排程scheduling等对元素顺序敏感的问题。from pymoo.operators.crossover.ox import OrderCrossover crossover OrderCrossover()边重组交叉ERX, Edge Recombination Crossover用途优先保留父代中的边邻接关系信息。适用场景路由类问题其中哪些城市相邻比城市在序列中的绝对位置更关键。TSP 正是边信息决定成本的代表。部分映射交叉PMX, Partially Mapped Crossover用途交换两个父代的某一段基因并通过映射关系修补冲突位点从而维持排列合法性。适用于需要交换连续基因段且保持排列有效性的场景。4.4 字符串简写对照交叉算子常用字符串简写汇总详见原文档与 operators.md变量类型简写对应算子连续real_sbxSBX连续DEreal_de差分进化交叉整数int_sbx整数版 SBX二进制bin_ux均匀交叉二进制bin_hux半均匀交叉五、变异算子Mutation保持多样性变异算子对子代施加随机扰动防止种群同质化导致过早收敛。5.1 连续变量的变异多项式变异PM, Polynomial Mutation用途连续优化场景下的首选变异算子。机制基于多项式概率分布生成扰动——扰动大多集中在小幅范围偶尔产生大幅跳跃。参数参数含义默认值prob每个变量的变异概率None即1/n_vareta分布指数20eta越大 → 扰动越小偏利用eta越小 → 扰动越大偏探索。用法from pymoo.operators.mutation.pm import PM mutation PM(probNone, eta20) # probNone 表示 1/n_var字符串简写real_pm仓库证据single_objective_example.py 使用PM(eta20)未显式给prob即采用1/n_var的标准推荐而 algorithms.md 确认多项式变异是 NSGA-II 对连续变量的默认变异算子。概率选择指南None或1/n_var标准推荐平均每个个体约变异一个变量更大探索更强但收敛变慢更小利用更强收敛更快但有过早收敛风险。5.2 二进制变量的变异位翻转变异Bitflip Mutation用途以指定概率翻转二进制位。参数prob每位的翻转概率。from pymoo.operators.mutation.bitflip import BitflipMutation mutation BitflipMutation(prob0.05)prob0.05意味着平均每个染色体约 5% 的位会被翻转是二进制 GA 的常用配置。5.3 整数变量的变异整数多项式变异Integer Polynomial Mutation用途将多项式变异适配到整数域变异后保证输出合法的整数值。当混合问题中同时存在连续与整数变量时整数部分应使用它字符串简写int_pm而不要混用连续版 PM。5.4 排列变量的变异反转变异Inversion Mutation用途将排列中某一段基因顺序反转。适用场景需要保留一定顺序结构如 TSP 中局部路径走向时使用。from pymoo.operators.mutation.inversion import InversionMutation mutation InversionMutation()打乱变异Scramble Mutation用途随机打乱排列中的一段基因顺序扰动强度通常大于反转变异。5.5 自定义变异若内置算子不满足需求可继承Mutation基类自定义变异逻辑。整体思路与自定义 Repair 类似详见第六节在子类中实现自己的扰动规则。六、修复算子Repair保证解可行性修复算子在交叉/变异之后介入用于修正违反边界或约束的解。它在处理整数变量、盒约束box constraints和线性约束问题上尤其关键。6.1 常见内置修复算子修复算子机制适用场景Rounding Repair取整到最近的合法值带边界约束的整数/离散变量Bounce Back Repair将越界值反弹回可行域内盒约束连续问题Projection Repair将不可行解投影到可行区域上线性约束问题6.2 自定义修复算子用途领域特定的约束处理逻辑。实现方式继承Repair类并覆写_do方法。from pymoo.core.repair import Repair class MyRepair(Repair): def _do(self, problem, X, **kwargs): # 修改 X 以满足约束 # 返回修复后的 X return X关键点_do接收批量解矩阵X形状为(n_pop, n_var)应支持向量化批量修复修复必须保持变量类型合法性整数修复为整数、排列修复后仍是合法排列自定义修复是处理复杂工程约束如几何不重叠、资源上限的常用切入点配合 constraints_mcdm.md 中介绍的约束处理策略一起使用效果更佳。七、算子配置指南与参数调优7.1 参数调优速查交叉概率crossover probability高0.8–0.95大多数问题的标准区间更低减少重组把搜索重心让给变异。变异概率mutation probability1/n_var标准推荐更高探索更强收敛更慢更低收敛更快但有过早收敛风险。分布指数eta交叉eta15–30取较高值有利于局部搜索变异eta20–50取较高值有利于利用exploitation。7.2 按问题类型选择算子连续问题交叉SBX变异多项式变异PM选择锦标赛选择。二进制问题交叉两点交叉或均匀交叉变异位翻转变异选择锦标赛选择。排列问题TSP/排程交叉顺序交叉OX变异反转或打乱变异选择锦标赛选择。混合变量问题按每个变量类型分别选用对应算子如连续用 SBX/PM、整数用int_sbx/int_pm、二进制用均匀交叉/位翻转、分类用专门处理务必保证算子与变量类型兼容避免将实数交叉直接作用于排列变量等错误搭配。7.3 字符串式配置一行代码搭好算子pymoo 支持用字符串快速指定算子让算法配置极简且可读性高from pymoo.algorithms.soo.nonconvex.ga import GA algorithm GA( pop_size100, samplingreal_random, crossoverreal_sbx, mutationreal_pm )可用字符串清单Samplingreal_random、real_lhs、bin_random、perm_randomCrossoverreal_sbx、real_de、int_sbx、bin_ux、bin_huxMutationreal_pm、int_pm、bin_bitflip、perm_inv字符串配置与直接传算子对象完全等价适合快速原型需要精细调参如SBX(prob0.9, eta15)时则推荐显式实例化。八、算子组合实战示例以下三类组合覆盖了最常见的优化场景全部可以直接运行。8.1 标准连续 GAfrom pymoo.operators.sampling.rnd import FloatRandomSampling from pymoo.operators.crossover.sbx import SBX from pymoo.operators.mutation.pm import PM from pymoo.operators.selection.tournament import TournamentSelection sampling FloatRandomSampling() crossover SBX(prob0.9, eta15) mutation PM(eta20) selection TournamentSelection()该组合与 single_objective_example.py 中求解 Sphere 函数的 GA 配置完全一致可直接运行python3 skills/pymoo/scripts/single_objective_example.py8.2 二进制 GAfrom pymoo.operators.sampling.rnd import BinaryRandomSampling from pymoo.operators.crossover.pntx import TwoPointCrossover from pymoo.operators.mutation.bitflip import BitflipMutation sampling BinaryRandomSampling() crossover TwoPointCrossover() mutation BitflipMutation(prob0.05)8.3 排列 GATSP 场景from pymoo.operators.sampling.rnd import PermutationRandomSampling from pymoo.operators.crossover.ox import OrderCrossover from pymoo.operators.mutation.inversion import InversionMutation sampling PermutationRandomSampling() crossover OrderCrossover() mutation InversionMutation()8.4 多目标场景的算子嵌入多目标优化中算子同样以参数形式注入算法。在 multi_objective_example.py 中NSGA2(pop_size100, eliminate_duplicatesTrue)使用算法默认算子组合SBX 多项式变异 二元锦标赛若需定制只需像 GA 一样传入自定义的sampling/crossover/mutation/selection即可。同理custom_problem_example.py 演示了用ElementwiseProblem自定义问题并与默认算子组合协同工作的完整链路。九、最佳实践与常见调优误区按变量类型配算子勿混用实数算子与排列算子互不兼容混合变量问题要逐类型指定并保持算子与变量一一对应。先默认后微调多数问题用real_sbxreal_pm 锦标赛选择即可取得良好基线之后再针对收敛性与多样性微调eta与变异概率。用eliminate_duplicatesTrue控制重复个体重复解会浪费评估预算并削弱多样性这在多目标场景如 NSGA-II中尤为重要。修复算子是约束问题的隐藏利器遇到大量不可行解时除了调整约束表达统一写成g(x) 0引入 Rounding / Bounce Back / Projection 或自定义Repair往往比单纯增加惩罚更快见效。配合完整参考文档使用算子与算法的联动关系可进一步查阅 references/algorithms.md各算法的默认算子与参数、references/constraints_mcdm.md约束处理与决策、references/quick_start_workflows.md九大端到端工作流以及 SKILL.md 中的安装与性能排查指南。【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Pymoo 遗传算子完全指南：采样、选择、交叉、变异与修复的配置与调优
Pymoo 遗传算子完全指南采样、选择、交叉、变异与修复的配置与调优【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills本篇文章围绕本仓库 pymoo 技能包中的 references/operators.md 展开系统梳理 pymoo 中四大类遗传算子Sampling、Selection、Crossover、Mutation与修复算子Repair的类型、参数语义、调用方式和组合策略。读完本文你将能够为连续、二进制、整数、排列以及混合变量问题搭配合适的算子组合掌握字符串式快捷配置并结合 scripts/ 中的可运行示例与 references/algorithms.md 中的算法参数说明独立完成 GA/NSGA-II 等进化算法的定制与调优。一、算子体系概述进化算法的四大齿轮在 pymoo 中任何基于种群的进化算法如 GA、NSGA-II都可以抽象为采样Sampling→ 选择Selection→ 交叉Crossover→ 变异Mutation→ 生存Survival的循环。其中前四步由本文讨论的**遗传算子genetic operators**驱动Sampling采样算子在优化开始时初始化种群决定算法从哪些起点出发Selection选择算子从当前种群中选择父代用于繁殖决定搜索方向的偏好Crossover交叉算子重组父代解生成子代负责利用exploitation与探索exploration之间的核心平衡Mutation变异算子对子代施加随机扰动以维持种群多样性防止过早收敛Repair修复算子在变异后修正非法解使其重新满足变量边界或问题约束。从 references/algorithms.md 可以看到GA 与 NSGA-II 等算法都把sampling、selection、crossover、mutation作为构造参数暴露出来并给出了各算法默认的算子组合例如 NSGA-II 默认使用 SBX 交叉 多项式变异 二元锦标赛选择。理解每个算子的行为与参数是定制算法、提升求解质量的起点。二、采样算子Sampling决定初始种群采样算子的职责是在优化开始前生成初始种群。初始种群的分布质量直接影响算法的收敛速度与最终解的质量。2.1 随机采样Random Sampling用途生成随机初始解是最通用、最省心的起点。按变量类型划分的四个实现类型类名适用场景连续变量FloatRandomSampling实数优化问题二进制变量BinaryRandomSampling0/1 编码问题整数变量IntegerRandomSampling离散整数问题排列变量PermutationRandomSamplingTSP、排程等排列问题用法from pymoo.operators.sampling.rnd import FloatRandomSampling sampling FloatRandomSampling()在仓库的 single_objective_example.py 中FloatRandomSampling()被显式传入GA()作为初始采样策略而 custom_problem_example.py 中的NSGA2(pop_size100)未显式指定采样则使用算法内置默认值。2.2 拉丁超立方采样Latin Hypercube Sampling, LHS用途生成具有空间填充性质的初始种群相比纯随机采样能更均匀地覆盖搜索空间space-filling。类型LHS标准拉丁超立方。用法from pymoo.operators.sampling.lhs import LHS sampling LHS()何时优先选 LHS当目标函数昂贵、总体评估次数有限时LHS 能保证初始种群雨露均沾地覆盖整个可行域避免随机采样可能出现的扎堆或空洞从而降低算法对运气成分的依赖。2.3 自定义采样除算子类外pymoo 还允许直接通过Population对象或 NumPy 数组提供初始种群。这在热启动warm start、继承上一步结果继续优化等场景中非常实用——例如想从上一轮优化得到的个体继续搜索直接把它作为初始种群传入即可。三、选择算子Selection决定谁有资格繁殖选择算子的职责是从当前种群中挑选父代其设计目标是在偏袒好解与保持多样性之间取得平衡。3.1 锦标赛选择Tournament Selection用途通过锦标赛竞争挑选父代是 pymoo 的默认选择机制。机制随机抽取k个个体从中选出适应度最优者作为父代。锦标赛规模越大选择压力越强种群越容易被精英主导。参数参数含义默认值pressure锦标赛规模 k2func_comp自定义比较函数默认按目标值比较用法from pymoo.operators.selection.tournament import TournamentSelection selection TournamentSelection(pressure2)调优提示pressure越大选择压力越强、收敛越快但多样性与陷入局部最优的风险也同时上升pressure2是兼顾两者的经典默认。3.2 随机选择Random Selection用途均匀随机地选择父代不参考适应度。适用场景作为基线对照或用于以探索为主的算法阶段例如某些多目标算法的多样化环节。用法from pymoo.operators.selection.rnd import RandomSelection selection RandomSelection()从源码结构看RandomSelection位于pymoo.operators.selection.rnd模块与采样模块pymoo.operators.sampling.rnd并列pymoo 对随机型算子采用了统一的rnd模块命名。四、交叉算子Crossover重组父代生成子代交叉算子通过重组两个父代的基因产生子代是进化算法利用优秀基因块的主要手段。不同变量类型需要不同语义的交叉算子。4.1 连续变量的交叉模拟二进制交叉SBX, Simulated Binary Crossover用途连续优化场景下的首选交叉算子。机制模拟二进制编码下的单点交叉在实数空间中的行为——子代以较高概率分布在父代附近同时保留一定探索能力。参数参数含义默认值prob交叉概率0.9eta分布指数15eta越大 → 子代越贴近父代偏局部搜索、利用eta越小 → 子代越远离父代偏探索。用法from pymoo.operators.crossover.sbx import SBX crossover SBX(prob0.9, eta15)字符串简写real_sbx仓库证据在 single_objective_example.py 中GA 使用SBX(prob0.9, eta15)而 algorithms.md 明确 NSGA-II 对连续变量的默认交叉即 SBX。差分进化交叉DE Crossover用途DE 算法专属的重组方式通过差分向量引入扰动。常见变体DE/rand/1/binDE/best/1/binDE/current-to-best/1/bin参数参数含义CR交叉率crossover rateF缩放因子scaling factorF控制差分扰动的幅度CR控制子代从变异向量继承基因的比例二者共同决定 DE 的搜索步长与多样性。4.2 二进制变量的交叉单点交叉Single Point Crossover用途在单个位点切断并交换两侧基因。from pymoo.operators.crossover.pntx import SinglePointCrossover crossover SinglePointCrossover()两点交叉Two Point Crossover用途在两个位点之间切断并交换中间段基因。相比单点交叉能保留更多组合块。from pymoo.operators.crossover.pntx import TwoPointCrossover crossover TwoPointCrossover()K 点交叉K-Point Crossover用途在n_points个位点处切断并交替交换基因段适用于更分散的基因块重组。参数n_points交叉点数。均匀交叉Uniform Crossover用途子代的每个基因独立地以概率prob从某一父代继承。参数参数含义默认值prob单个基因交换概率0.5from pymoo.operators.crossover.ux import UniformCrossover crossover UniformCrossover(prob0.5)半均匀交叉HUX, Half Uniform Crossover用途在两个父代存在差异的基因位点中恰好交换其中一半。优势在保持基因差异即遗传多样性的同时完成重组特别适合对多样性敏感的二进制多目标问题。字符串简写为bin_hux。4.3 排列变量的交叉排列问题的难点在于交叉后必须仍然是一个合法排列无重复、无缺失。下列算子专门为此设计。顺序交叉Order Crossover, OX用途尽量保留父代中基因的相对顺序。适用场景旅行商问题TSP、排程scheduling等对元素顺序敏感的问题。from pymoo.operators.crossover.ox import OrderCrossover crossover OrderCrossover()边重组交叉ERX, Edge Recombination Crossover用途优先保留父代中的边邻接关系信息。适用场景路由类问题其中哪些城市相邻比城市在序列中的绝对位置更关键。TSP 正是边信息决定成本的代表。部分映射交叉PMX, Partially Mapped Crossover用途交换两个父代的某一段基因并通过映射关系修补冲突位点从而维持排列合法性。适用于需要交换连续基因段且保持排列有效性的场景。4.4 字符串简写对照交叉算子常用字符串简写汇总详见原文档与 operators.md变量类型简写对应算子连续real_sbxSBX连续DEreal_de差分进化交叉整数int_sbx整数版 SBX二进制bin_ux均匀交叉二进制bin_hux半均匀交叉五、变异算子Mutation保持多样性变异算子对子代施加随机扰动防止种群同质化导致过早收敛。5.1 连续变量的变异多项式变异PM, Polynomial Mutation用途连续优化场景下的首选变异算子。机制基于多项式概率分布生成扰动——扰动大多集中在小幅范围偶尔产生大幅跳跃。参数参数含义默认值prob每个变量的变异概率None即1/n_vareta分布指数20eta越大 → 扰动越小偏利用eta越小 → 扰动越大偏探索。用法from pymoo.operators.mutation.pm import PM mutation PM(probNone, eta20) # probNone 表示 1/n_var字符串简写real_pm仓库证据single_objective_example.py 使用PM(eta20)未显式给prob即采用1/n_var的标准推荐而 algorithms.md 确认多项式变异是 NSGA-II 对连续变量的默认变异算子。概率选择指南None或1/n_var标准推荐平均每个个体约变异一个变量更大探索更强但收敛变慢更小利用更强收敛更快但有过早收敛风险。5.2 二进制变量的变异位翻转变异Bitflip Mutation用途以指定概率翻转二进制位。参数prob每位的翻转概率。from pymoo.operators.mutation.bitflip import BitflipMutation mutation BitflipMutation(prob0.05)prob0.05意味着平均每个染色体约 5% 的位会被翻转是二进制 GA 的常用配置。5.3 整数变量的变异整数多项式变异Integer Polynomial Mutation用途将多项式变异适配到整数域变异后保证输出合法的整数值。当混合问题中同时存在连续与整数变量时整数部分应使用它字符串简写int_pm而不要混用连续版 PM。5.4 排列变量的变异反转变异Inversion Mutation用途将排列中某一段基因顺序反转。适用场景需要保留一定顺序结构如 TSP 中局部路径走向时使用。from pymoo.operators.mutation.inversion import InversionMutation mutation InversionMutation()打乱变异Scramble Mutation用途随机打乱排列中的一段基因顺序扰动强度通常大于反转变异。5.5 自定义变异若内置算子不满足需求可继承Mutation基类自定义变异逻辑。整体思路与自定义 Repair 类似详见第六节在子类中实现自己的扰动规则。六、修复算子Repair保证解可行性修复算子在交叉/变异之后介入用于修正违反边界或约束的解。它在处理整数变量、盒约束box constraints和线性约束问题上尤其关键。6.1 常见内置修复算子修复算子机制适用场景Rounding Repair取整到最近的合法值带边界约束的整数/离散变量Bounce Back Repair将越界值反弹回可行域内盒约束连续问题Projection Repair将不可行解投影到可行区域上线性约束问题6.2 自定义修复算子用途领域特定的约束处理逻辑。实现方式继承Repair类并覆写_do方法。from pymoo.core.repair import Repair class MyRepair(Repair): def _do(self, problem, X, **kwargs): # 修改 X 以满足约束 # 返回修复后的 X return X关键点_do接收批量解矩阵X形状为(n_pop, n_var)应支持向量化批量修复修复必须保持变量类型合法性整数修复为整数、排列修复后仍是合法排列自定义修复是处理复杂工程约束如几何不重叠、资源上限的常用切入点配合 constraints_mcdm.md 中介绍的约束处理策略一起使用效果更佳。七、算子配置指南与参数调优7.1 参数调优速查交叉概率crossover probability高0.8–0.95大多数问题的标准区间更低减少重组把搜索重心让给变异。变异概率mutation probability1/n_var标准推荐更高探索更强收敛更慢更低收敛更快但有过早收敛风险。分布指数eta交叉eta15–30取较高值有利于局部搜索变异eta20–50取较高值有利于利用exploitation。7.2 按问题类型选择算子连续问题交叉SBX变异多项式变异PM选择锦标赛选择。二进制问题交叉两点交叉或均匀交叉变异位翻转变异选择锦标赛选择。排列问题TSP/排程交叉顺序交叉OX变异反转或打乱变异选择锦标赛选择。混合变量问题按每个变量类型分别选用对应算子如连续用 SBX/PM、整数用int_sbx/int_pm、二进制用均匀交叉/位翻转、分类用专门处理务必保证算子与变量类型兼容避免将实数交叉直接作用于排列变量等错误搭配。7.3 字符串式配置一行代码搭好算子pymoo 支持用字符串快速指定算子让算法配置极简且可读性高from pymoo.algorithms.soo.nonconvex.ga import GA algorithm GA( pop_size100, samplingreal_random, crossoverreal_sbx, mutationreal_pm )可用字符串清单Samplingreal_random、real_lhs、bin_random、perm_randomCrossoverreal_sbx、real_de、int_sbx、bin_ux、bin_huxMutationreal_pm、int_pm、bin_bitflip、perm_inv字符串配置与直接传算子对象完全等价适合快速原型需要精细调参如SBX(prob0.9, eta15)时则推荐显式实例化。八、算子组合实战示例以下三类组合覆盖了最常见的优化场景全部可以直接运行。8.1 标准连续 GAfrom pymoo.operators.sampling.rnd import FloatRandomSampling from pymoo.operators.crossover.sbx import SBX from pymoo.operators.mutation.pm import PM from pymoo.operators.selection.tournament import TournamentSelection sampling FloatRandomSampling() crossover SBX(prob0.9, eta15) mutation PM(eta20) selection TournamentSelection()该组合与 single_objective_example.py 中求解 Sphere 函数的 GA 配置完全一致可直接运行python3 skills/pymoo/scripts/single_objective_example.py8.2 二进制 GAfrom pymoo.operators.sampling.rnd import BinaryRandomSampling from pymoo.operators.crossover.pntx import TwoPointCrossover from pymoo.operators.mutation.bitflip import BitflipMutation sampling BinaryRandomSampling() crossover TwoPointCrossover() mutation BitflipMutation(prob0.05)8.3 排列 GATSP 场景from pymoo.operators.sampling.rnd import PermutationRandomSampling from pymoo.operators.crossover.ox import OrderCrossover from pymoo.operators.mutation.inversion import InversionMutation sampling PermutationRandomSampling() crossover OrderCrossover() mutation InversionMutation()8.4 多目标场景的算子嵌入多目标优化中算子同样以参数形式注入算法。在 multi_objective_example.py 中NSGA2(pop_size100, eliminate_duplicatesTrue)使用算法默认算子组合SBX 多项式变异 二元锦标赛若需定制只需像 GA 一样传入自定义的sampling/crossover/mutation/selection即可。同理custom_problem_example.py 演示了用ElementwiseProblem自定义问题并与默认算子组合协同工作的完整链路。九、最佳实践与常见调优误区按变量类型配算子勿混用实数算子与排列算子互不兼容混合变量问题要逐类型指定并保持算子与变量一一对应。先默认后微调多数问题用real_sbxreal_pm 锦标赛选择即可取得良好基线之后再针对收敛性与多样性微调eta与变异概率。用eliminate_duplicatesTrue控制重复个体重复解会浪费评估预算并削弱多样性这在多目标场景如 NSGA-II中尤为重要。修复算子是约束问题的隐藏利器遇到大量不可行解时除了调整约束表达统一写成g(x) 0引入 Rounding / Bounce Back / Projection 或自定义Repair往往比单纯增加惩罚更快见效。配合完整参考文档使用算子与算法的联动关系可进一步查阅 references/algorithms.md各算法的默认算子与参数、references/constraints_mcdm.md约束处理与决策、references/quick_start_workflows.md九大端到端工作流以及 SKILL.md 中的安装与性能排查指南。【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考