Pymoo 操作符

# Pymoo 遗传算子参考 pymoo 中遗传算子的综合参考。 ## 采样算子 采样算子在优化开始时初始化种群。 ### 随机采样 **目的：** 生成随机初始解 **类型：** - `FloatRandomSampling`: 连续变量 - `BinaryRandomSampling`: 二进制变量 - `IntegerRandomSampling`: 整数变量 - `PermutationRandomSampling`: 基于排列的问题 **用法：** python from pymoo.operators.sampling.rnd import FloatRandomSampling sampling = FloatRandomSampling() ### 拉丁超立方采样 (LHS) **目的：** 空间填充式初始种群 **优势：** 比随机采样更好地覆盖搜索空间 **类型：** - `LHS`: 标准拉丁超立方 **用法：** python from pymoo.operators.sampling.lhs import LHS sampling = LHS() ### 自定义采样 通过 Population 对象或 NumPy 数组提供初始种群 ## 选择算子 选择算子为繁殖选择父代。 ### 锦标赛选择 **目的：** 通过锦标赛竞争选择父代 **机制：** 随机选择 k 个个体，选择最优者 **参数：** - `pressure`: 锦标赛规模 (默认: 2) - `func_comp`: 比较函数 **用法：** python from pymoo.operators.selection.tournament import TournamentSelection selection = TournamentSelection(pressure=2) ### 随机选择 **目的：** 均匀随机选择父代 **用例：** 基准测试或侧重探索的算法 **用法：** python from pymoo.operators.selection.rnd import RandomSelection selection = RandomSelection() ## 交叉算子 交叉算子重组父代解以产生后代。 ### 针对连续变量 #### 模拟二进制交叉 (SBX) **目的：** 连续优化的主要交叉算子 **机制：** 模拟二进制编码变量的单点交叉 **参数：** - `prob`: 交叉概率 (默认: 0.9) - `eta`: 分布指数 (默认: 15) - eta 越高 → 后代越接近父代 - eta 越低 → 探索性越强 **用法：** python from pymoo.operators.crossover.sbx import SBX crossover = SBX(prob=0.9, eta=15) **字符串简写：** `"real_sbx"` #### 差分进化交叉 **目的：** DE 特有的重组 **变体：** - `DE/rand/1/bin` - `DE/best/1/bin` - `DE/current-to-best/1/bin` **参数：** - `CR`: 交叉率 - `F`: 缩放因子 ### 针对二进制变量