Python训练营打卡——DAY12（2025.5.1）

目录

启发式算法

一、核心思想

二、遗传算法

三、粒子群算法

四、退火算法

五、作业

5.1 三种启发式算法的实现逻辑对比

5.2 Python实现逻辑类比

---

启发式算法

几种常见的优化算法

1. 遗传算法
2. 粒子群优化
3. 模拟退火

# 先运行之前预处理好的代码
import pandas as pd
import pandas as pd    #用于数据处理和分析，可处理表格数据。
import numpy as np     #用于数值计算，提供了高效的数组操作。
import matplotlib.pyplot as plt    #用于绘制各种类型的图表
import seaborn as sns   #基于matplotlib的高级绘图库，能绘制更美观的统计图形。
 
 # 设置中文字体（解决中文显示问题）
plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统常用黑体字体
plt.rcParams['axes.unicode_minus'] = False    # 正常显示负号
data = pd.read_csv('data.csv')    #读取数据

# 先筛选字符串变量 
discrete_features = data.select_dtypes(include=['object']).columns.tolist()
# Home Ownership 标签编码
home_ownership_mapping = {
    'Own Home': 1,
    'Rent': 2,
    'Have Mortgage': 3,
    'Home Mortgage': 4
}
data['Home Ownership'] = data['Home Ownership'].map(home_ownership_mapping)

# Years in current job 标签编码
years_in_job_mapping = {
    '< 1 year': 1,
    '1 year': 2,
    '2 years': 3,
    '3 years': 4,
    '4 years': 5,
    '5 years': 6,
    '6 years': 7,
    '7 years': 8,
    '8 years': 9,
    '9 years': 10,
    '10+ years': 11
}
data['Years in current job'] = data['Years in current job'].map(years_in_job_mapping)

# Purpose 独热编码，记得需要将bool类型转换为数值
data = pd.get_dummies(data, columns=['Purpose'])
data2 = pd.read_csv("data.csv") # 重新读取数据，用来做列名对比
list_final = [] # 新建一个空列表，用于存放独热编码后新增的特征名
for i in data.columns:
    if i not in data2.columns:
       list_final.append(i) # 这里打印出来的就是独热编码后的特征名
for i in list_final:
    data[i] = data[i].astype(int) # 这里的i就是独热编码后的特征名



# Term 0 - 1 映射
term_mapping = {
    'Short Term': 0,
    'Long Term': 1
}
data['Term'] = data['Term'].map(term_mapping)
data.rename(columns={'Term': 'Long Term'}, inplace=True) # 重命名列
continuous_features = data.select_dtypes(include=['int64', 'float64']).columns.tolist()  #把筛选出来的列名转换成列表
 
 # 连续特征用中位数补全
for feature in continuous_features:     
    mode_value = data[feature].mode()[0]            #获取该列的众数。
    data[feature].fillna(mode_value, inplace=True)          #用众数填充该列的缺失值，inplace=True表示直接在原数据上修改。

# 最开始也说了 很多调参函数自带交叉验证，甚至是必选的参数，你如果想要不交叉反而实现起来会麻烦很多
# 所以这里我们还是只划分一次数据集
from sklearn.model_selection import train_test_split
X = data.drop(['Credit Default'], axis=1)  # 特征，axis=1表示按列删除
y = data['Credit Default'] # 标签
# 按照8:2划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)  # 80%训练集，20%测试集

from sklearn.ensemble import RandomForestClassifier #随机森林分类器

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score # 用于评估分类器性能的指标
from sklearn.metrics import classification_report, confusion_matrix #用于生成分类报告和混淆矩阵
import warnings #用于忽略警告信息
warnings.filterwarnings("ignore") # 忽略所有警告信息
# --- 1. 默认参数的随机森林 ---
# 评估基准模型，这里确实不需要验证集
print("--- 1. 默认参数随机森林 (训练集 -> 测试集) ---")
import time # 这里介绍一个新的库，time库，主要用于时间相关的操作，因为调参需要很长时间，记录下会帮助后人知道大概的时长
start_time = time.time() # 记录开始时间
rf_model = RandomForestClassifier(random_state=42)
rf_model.fit(X_train, y_train) # 在训练集上训练
rf_pred = rf_model.predict(X_test) # 在测试集上预测
end_time = time.time() # 记录结束时间

print(f"训练与预测耗时: {end_time - start_time:.4f} 秒")
print("\n默认随机森林 在测试集上的分类报告：")
print(classification_report(y_test, rf_pred))
print("默认随机森林 在测试集上的混淆矩阵：")
print(confusion_matrix(y_test, rf_pred))

输出结果：

--- 1. 默认参数随机森林 (训练集 -> 测试集) ---
训练与预测耗时: 0.9480 秒

默认随机森林 在测试集上的分类报告：
              precision    recall  f1-score   support

           0       0.77      0.97      0.86      1059
           1       0.79      0.30      0.43       441

    accuracy                           0.77      1500
   macro avg       0.78      0.63      0.64      1500
weighted avg       0.77      0.77      0.73      1500

默认随机森林 在测试集上的混淆矩阵：
[[1023   36]
 [ 309  132]]

---

一、核心思想

1. 这些启发式算法都是优化器。你的目标是找到一组超参数，让你的机器学习模型在某个指标（比如验证集准确率）上表现最好。
2. 这个过程就像在一个复杂的地形（参数空间）上寻找最高峰（最佳性能）。
3. 启发式算法就是一群聪明的“探险家”，他们用不同的策略（模仿自然、物理现象等）来寻找这个最高峰，而不需要知道地形每一处的精确梯度（导数）。

二、遗传算法

1. 灵感来源： 生物进化，达尔文的“适者生存”。
2. 简单理解： 把不同的超参数组合想象成一群“个体”。表现好的个体（高验证分）更有机会“繁殖”（它们的参数组合会被借鉴和混合），并可能发生“变异”（参数随机小改动），产生下一代；表现差的个体逐渐被淘汰。一代代下去，种群整体就会越来越适应环境（找到更好的超参数）。
3. 应用感觉： 像是在大范围“撒网”搜索，通过优胜劣汰和随机变动逐步逼近最优解，适合参数空间很大、很复杂的情况。

# pip install deap -i https://pypi.tuna.tsinghua.edu.cn/simple

from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
from sklearn.metrics import classification_report, confusion_matrix
import warnings
warnings.filterwarnings("ignore")
import time
from deap import base, creator, tools, algorithms # DEAP是一个用于遗传算法和进化计算的Python库
import random
import numpy as np



# --- 2. 遗传算法优化随机森林 ---
print("\n--- 2. 遗传算法优化随机森林 (训练集 -> 测试集) ---")

# 定义适应度函数和个体类型
creator.create("FitnessMax", base.Fitness, weights=(1.0,))
creator.create("Individual", list, fitness=creator.FitnessMax)

# 定义超参数范围
n_estimators_range = (50, 200)
max_depth_range = (10, 30)
min_samples_split_range = (2, 10)
min_samples_leaf_range = (1, 4)

# 初始化工具盒
toolbox = base.Toolbox()

# 定义基因生成器
toolbox.register("attr_n_estimators", random.randint, *n_estimators_range)
toolbox.register("attr_max_depth", random.randint, *max_depth_range)
toolbox.register("attr_min_samples_split", random.randint, *min_samples_split_range)
toolbox.register("attr_min_samples_leaf", random.randint, *min_samples_leaf_range)

# 定义个体生成器
toolbox.register("individual", tools.initCycle, creator.Individual,
                 (toolbox.attr_n_estimators, toolbox.attr_max_depth,
                  toolbox.attr_min_samples_split, toolbox.attr_min_samples_leaf), n=1)

# 定义种群生成器
toolbox.register("population", tools.initRepeat, list, toolbox.individual)

# 定义评估函数
def evaluate(individual):
    n_estimators, max_depth, min_samples_split, min_samples_leaf = individual
    model = RandomForestClassifier(n_estimators=n_estimators,
                                   max_depth=max_depth,
                                   min_samples_split=min_samples_split,
                                   min_samples_leaf=min_samples_leaf,
                                   random_state=42)
    model.fit(X_train, y_train)
    y_pred = model.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)
    return accuracy,

# 注册评估函数
toolbox.register("evaluate", evaluate)

# 注册遗传操作
toolbox.register("mate", tools.cxTwoPoint)
toolbox.register("mutate", tools.mutUniformInt, low=[n_estimators_range[0], max_depth_range[0],
                                                     min_samples_split_range[0], min_samples_leaf_range[0]],
                 up=[n_estimators_range[1], max_depth_range[1],
                     min_samples_split_range[1], min_samples_leaf_range[1]], indpb=0.1)
toolbox.register("select", tools.selTournament, tournsize=3)

# 初始化种群
pop = toolbox.population(n=20)

# 遗传算法参数
NGEN = 10
CXPB = 0.5
MUTPB = 0.2

start_time = time.time()
# 运行遗传算法
for gen in range(NGEN):
    offspring = algorithms.varAnd(pop, toolbox, cxpb=CXPB, mutpb=MUTPB)
    fits = toolbox.map(toolbox.evaluate, offspring)
    for fit, ind in zip(fits, offspring):
        ind.fitness.values = fit
    pop = toolbox.select(offspring, k=len(pop))

end_time = time.time()

# 找到最优个体
best_ind = tools.selBest(pop, k=1)[0]
best_n_estimators, best_max_depth, best_min_samples_split, best_min_samples_leaf = best_ind

print(f"遗传算法优化耗时: {end_time - start_time:.4f} 秒")
print("最佳参数: ", {
    'n_estimators': best_n_estimators,
    'max_depth': best_max_depth,
    'min_samples_split': best_min_samples_split,
    'min_samples_leaf': best_min_samples_leaf
})

# 使用最佳参数的模型进行预测
best_model = RandomForestClassifier(n_estimators=best_n_estimators,
                                    max_depth=best_max_depth,
                                    min_samples_split=best_min_samples_split,
                                    min_samples_leaf=best_min_samples_leaf,
                                    random_state=42)
best_model.fit(X_train, y_train)
best_pred = best_model.predict(X_test)

print("\n遗传算法优化后的随机森林 在测试集上的分类报告：")
print(classification_report(y_test, best_pred))
print("遗传算法优化后的随机森林 在测试集上的混淆矩阵：")
print(confusion_matrix(y_test, best_pred))

输出结果：

--- 2. 遗传算法优化随机森林 (训练集 -> 测试集) ---
遗传算法优化耗时: 251.5941 秒
最佳参数:  {'n_estimators': 158, 'max_depth': 25, 'min_samples_split': 10, 'min_samples_leaf': 1}

遗传算法优化后的随机森林 在测试集上的分类报告：
              precision    recall  f1-score   support

           0       0.77      0.98      0.86      1059
           1       0.83      0.28      0.42       441

    accuracy                           0.77      1500
   macro avg       0.80      0.63      0.64      1500
weighted avg       0.79      0.77      0.73      1500

遗传算法优化后的随机森林 在测试集上的混淆矩阵：
[[1034   25]
 [ 316  125]]

---

上述代码看上去非常复杂，而且不具备复用性。也就是说，即使你搞懂了这段代码，对你的提升也微乎其微，因为你无法对它进行改进（它永远是别人的东西），而且就算背熟悉了它，对你学习其他的方法没什么帮助，即使你学完遗传算法学粒子群，也没有帮助。

AI时代的工具很大的好处，就是找到了一个记忆工具来帮助我们记住这个方法需要的步骤，然后我们只需要调用这个工具，就可以完成这个任务：

1. 关注输入和输出的格式和数据
2. 关注方法的前生今世和各自的优势---优缺点和应用场景
3. 关注模型本身的实现逻辑（如果用的时候很少，可跳过，借助ai实现）

---

三、粒子群算法

1. 灵感来源： 鸟群或鱼群觅食。
2. 简单理解： 把每个超参数组合想象成一个“粒子”（鸟）。每个粒子在参数空间中“飞行”。它会记住自己飞过的最好位置，也会参考整个“鸟群”发现的最好位置，结合这两者来调整自己的飞行方向和速度，同时带点随机性。
3. 应用感觉： 像是一群探险家，既有自己的探索记忆，也会互相交流信息（全局最佳位置），集体协作寻找目标。通常收敛比遗传算法快一些。

粒子群方法的思想比较简单，所以甚至可以不调库自己实现。

# --- 2. 粒子群优化算法优化随机森林 ---
print("\n--- 2. 粒子群优化算法优化随机森林 (训练集 -> 测试集) ---")


# 定义适应度函数，本质就是构建了一个函数实现 参数--> 评估指标的映射
def fitness_function(params): 
    n_estimators, max_depth, min_samples_split, min_samples_leaf = params # 序列解包，允许你将一个可迭代对象（如列表、元组、字符串等）中的元素依次赋值给多个变量。
    model = RandomForestClassifier(n_estimators=int(n_estimators),
                                   max_depth=int(max_depth),
                                   min_samples_split=int(min_samples_split),
                                   min_samples_leaf=int(min_samples_leaf),
                                   random_state=42)
    model.fit(X_train, y_train)
    y_pred = model.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)
    return accuracy


# 粒子群优化算法实现
def pso(num_particles, num_iterations, c1, c2, w, bounds): # 粒子群优化算法核心函数
    # num_particles：粒子的数量，即算法中用于搜索最优解的个体数量。
    # num_iterations：迭代次数，算法运行的最大循环次数。
    # c1：认知学习因子，用于控制粒子向自身历史最佳位置移动的程度。
    # c2：社会学习因子，用于控制粒子向全局最佳位置移动的程度。
    # w：惯性权重，控制粒子的惯性，影响粒子在搜索空间中的移动速度和方向。
    # bounds：超参数的取值范围，是一个包含多个元组的列表，每个元组表示一个超参数的最小值和最大值。

    num_params = len(bounds) 
    particles = np.array([[random.uniform(bounds[i][0], bounds[i][1]) for i in range(num_params)] for _ in
                          range(num_particles)])
    velocities = np.array([[0] * num_params for _ in range(num_particles)])
    personal_best = particles.copy()
    personal_best_fitness = np.array([fitness_function(p) for p in particles])
    global_best_index = np.argmax(personal_best_fitness)
    global_best = personal_best[global_best_index]
    global_best_fitness = personal_best_fitness[global_best_index]

    for _ in range(num_iterations):
        r1 = np.array([[random.random() for _ in range(num_params)] for _ in range(num_particles)])
        r2 = np.array([[random.random() for _ in range(num_params)] for _ in range(num_particles)])

        velocities = w * velocities + c1 * r1 * (personal_best - particles) + c2 * r2 * (
                global_best - particles)
        particles = particles + velocities

        for i in range(num_particles):
            for j in range(num_params):
                if particles[i][j] < bounds[j][0]:
                    particles[i][j] = bounds[j][0]
                elif particles[i][j] > bounds[j][1]:
                    particles[i][j] = bounds[j][1]

        fitness_values = np.array([fitness_function(p) for p in particles])
        improved_indices = fitness_values > personal_best_fitness
        personal_best[improved_indices] = particles[improved_indices]
        personal_best_fitness[improved_indices] = fitness_values[improved_indices]

        current_best_index = np.argmax(personal_best_fitness)
        if personal_best_fitness[current_best_index] > global_best_fitness:
            global_best = personal_best[current_best_index]
            global_best_fitness = personal_best_fitness[current_best_index]

    return global_best, global_best_fitness


# 超参数范围
bounds = [(50, 200), (10, 30), (2, 10), (1, 4)]  # n_estimators, max_depth, min_samples_split, min_samples_leaf

# 粒子群优化算法参数
num_particles = 20
num_iterations = 10
c1 = 1.5
c2 = 1.5
w = 0.5

start_time = time.time()
best_params, best_fitness = pso(num_particles, num_iterations, c1, c2, w, bounds)
end_time = time.time()

print(f"粒子群优化算法优化耗时: {end_time - start_time:.4f} 秒")
print("最佳参数: ", {
    'n_estimators': int(best_params[0]),
   'max_depth': int(best_params[1]),
   'min_samples_split': int(best_params[2]),
   'min_samples_leaf': int(best_params[3])
})

# 使用最佳参数的模型进行预测
best_model = RandomForestClassifier(n_estimators=int(best_params[0]),
                                    max_depth=int(best_params[1]),
                                    min_samples_split=int(best_params[2]),
                                    min_samples_leaf=int(best_params[3]),
                                    random_state=42)
best_model.fit(X_train, y_train)
best_pred = best_model.predict(X_test)

print("\n粒子群优化算法优化后的随机森林 在测试集上的分类报告：")
print(classification_report(y_test, best_pred))
print("粒子群优化算法优化后的随机森林 在测试集上的混淆矩阵：")
print(confusion_matrix(y_test, best_pred))

输出结果：

--- 2. 粒子群优化算法优化随机森林 (训练集 -> 测试集) ---
粒子群优化算法优化耗时: 374.1755 秒
最佳参数:  {'n_estimators': 200, 'max_depth': 18, 'min_samples_split': 4, 'min_samples_leaf': 1}

粒子群优化算法优化后的随机森林 在测试集上的分类报告：
              precision    recall  f1-score   support

           0       0.77      0.98      0.86      1059
           1       0.83      0.29      0.43       441

    accuracy                           0.77      1500
   macro avg       0.80      0.63      0.64      1500
weighted avg       0.79      0.77      0.73      1500

粒子群优化算法优化后的随机森林 在测试集上的混淆矩阵：
[[1034   25]
 [ 315  126]]

四、退火算法

1. 灵感来源： 金属冶炼中的退火过程（缓慢冷却使金属达到最低能量稳定态）。
2. 简单理解： 从一个随机的超参数组合开始。随机尝试改变一点参数。如果新组合更好，就接受它。如果新组合更差，也有一定概率接受它（尤其是在“高温”/搜索早期）。这个接受坏解的概率会随着时间（“降温”）慢慢变小。
3. 应用感觉： 像一个有点“冲动”的探险家，初期愿意尝试一些看起来不太好的路径（为了跳出局部最优的小山谷），后期则越来越“保守”，专注于在当前找到的好区域附近精细搜索。擅长避免陷入局部最优。

# --- 2. 模拟退火算法优化随机森林 ---
print("\n--- 2. 模拟退火算法优化随机森林 (训练集 -> 测试集) ---")


# 定义适应度函数
def fitness_function(params): 
    n_estimators, max_depth, min_samples_split, min_samples_leaf = params
    model = RandomForestClassifier(n_estimators=int(n_estimators),
                                   max_depth=int(max_depth),
                                   min_samples_split=int(min_samples_split),
                                   min_samples_leaf=int(min_samples_leaf),
                                   random_state=42)
    model.fit(X_train, y_train)
    y_pred = model.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)
    return accuracy


# 模拟退火算法实现
def simulated_annealing(initial_solution, bounds, initial_temp, final_temp, alpha):
    current_solution = initial_solution
    current_fitness = fitness_function(current_solution)
    best_solution = current_solution
    best_fitness = current_fitness
    temp = initial_temp

    while temp > final_temp:
        # 生成邻域解
        neighbor_solution = []
        for i in range(len(current_solution)):
            new_val = current_solution[i] + random.uniform(-1, 1) * (bounds[i][1] - bounds[i][0]) * 0.1
            new_val = max(bounds[i][0], min(bounds[i][1], new_val))
            neighbor_solution.append(new_val)

        neighbor_fitness = fitness_function(neighbor_solution)
        delta_fitness = neighbor_fitness - current_fitness

        if delta_fitness > 0 or random.random() < np.exp(delta_fitness / temp):
            current_solution = neighbor_solution
            current_fitness = neighbor_fitness

        if current_fitness > best_fitness:
            best_solution = current_solution
            best_fitness = current_fitness

        temp *= alpha

    return best_solution, best_fitness


# 超参数范围
bounds = [(50, 200), (10, 30), (2, 10), (1, 4)]  # n_estimators, max_depth, min_samples_split, min_samples_leaf

# 模拟退火算法参数
initial_temp = 100 # 初始温度
final_temp = 0.1 # 终止温度
alpha = 0.95 # 温度衰减系数

# 初始化初始解
initial_solution = [random.uniform(bounds[i][0], bounds[i][1]) for i in range(len(bounds))]

start_time = time.time()
best_params, best_fitness = simulated_annealing(initial_solution, bounds, initial_temp, final_temp, alpha)
end_time = time.time()

print(f"模拟退火算法优化耗时: {end_time - start_time:.4f} 秒")
print("最佳参数: ", {
    'n_estimators': int(best_params[0]),
    'max_depth': int(best_params[1]),
    'min_samples_split': int(best_params[2]),
    'min_samples_leaf': int(best_params[3])
})

# 使用最佳参数的模型进行预测
best_model = RandomForestClassifier(n_estimators=int(best_params[0]),
                                    max_depth=int(best_params[1]),
                                    min_samples_split=int(best_params[2]),
                                    min_samples_leaf=int(best_params[3]),
                                    random_state=42)
best_model.fit(X_train, y_train)
best_pred = best_model.predict(X_test)

print("\n模拟退火算法优化后的随机森林 在测试集上的分类报告：")
print(classification_report(y_test, best_pred))
print("模拟退火算法优化后的随机森林 在测试集上的混淆矩阵：")
print(confusion_matrix(y_test, best_pred))

输出结果：

--- 2. 模拟退火算法优化随机森林 (训练集 -> 测试集) ---
模拟退火算法优化耗时: 129.1660 秒
最佳参数:  {'n_estimators': 98, 'max_depth': 16, 'min_samples_split': 7, 'min_samples_leaf': 2}

模拟退火算法优化后的随机森林 在测试集上的分类报告：
              precision    recall  f1-score   support

           0       0.77      0.98      0.86      1059
           1       0.86      0.29      0.43       441

    accuracy                           0.78      1500
   macro avg       0.82      0.63      0.65      1500
weighted avg       0.80      0.78      0.73      1500

模拟退火算法优化后的随机森林 在测试集上的混淆矩阵：
[[1039   20]
 [ 315  126]]

五、作业

用尽可能简短但是清晰的语言说清楚这三种算法的实现逻辑，帮助更深入的理解。

5.1 三种启发式算法的实现逻辑对比

​​一、遗传算法（Genetic Algorithm, GA）​​
核心逻辑

1. 初始化：随机生成由多个“个体”（超参数组合）组成的初始种群。
2. 适应度评估：计算每个个体在验证集上的性能（如准确率），作为其适应度值。
3. 选择：根据适应度高低，通过轮盘赌或锦标赛等方法筛选优秀个体进入下一代（优胜劣汰）。
4. 交叉重组：随机配对选中的个体，交换部分参数（如超参数的权重或结构），生成新个体。
5. 变异：以低概率随机修改某些参数，引入多样性，避免局部最优。
6. 迭代：重复2-5步直至满足终止条件（如达到最大迭代次数或适应度稳定）。

特点：通过种群演化模拟自然选择，适合高维复杂问题，但计算成本较高。

---

​​二、粒子群优化（Particle Swarm Optimization, PSO）​​
核心逻辑

1. 初始化：随机生成一群“粒子”，每个粒子代表一组超参数，并赋予初始速度和位置。

2. 适应度评估：计算每个粒子的验证集性能，记录其个体历史最佳位置（pbest）和全局最佳位置（gbest）。

3. 更新速度：结合以下三部分调整速度：
   • 惯性项：保留当前速度方向；

   • 个体认知：向自身历史最佳位置靠近；

   • 社会学习：向群体全局最佳位置靠近。

4. 更新位置：根据新速度移动粒子，生成新参数组合。

5. 迭代：重复2-4步直至收敛或达到终止条件。

特点：通过个体与群体信息协同搜索，收敛速度快，参数调整简单（仅需惯性权重、认知/社会因子）。

---

​​三、模拟退火（Simulated Annealing, SA）​​
核心逻辑

1. 初始解：随机生成一组超参数作为当前解，并设定初始高温（T）和降温策略。

2. 扰动生成新解：在当前解附近随机微调参数（如加减一个随机数）。

3. Metropolis准则：
   • 若新解性能更优，直接接受；

   • 若更差，以概率 exp(-ΔE/T) 接受（ΔE为性能差值），避免陷入局部最优。

4. 降温：逐步降低温度（如 T = T × 0.95），缩小随机扰动幅度和接受差解的概率。

5. 终止：当温度降至阈值或解不再改进时结束。

特点：通过“高温探索→低温收敛”平衡全局与局部搜索，擅长跳出局部最优，但需合理设计降温策略。

---

​​对比总结​​

算法	搜索策略	关键操作	适用场景
遗传算法	种群演化（交叉+变异）	选择、重组、变异	高维、多峰复杂问题
粒子群	群体协作（个体+社会学习）	速度与位置更新	快速收敛的中低维问题
模拟退火	热力学退火（概率接受差解）	温度控制与扰动	避免局部最优的单一解优化

---

5.2 Python实现逻辑类比

现在用 Python 的实现逻辑类比，用最简短的代码结构和自然语言解释这三种算法，帮助你快速理解其核心。

​​一、遗传算法（GA）实现逻辑​​

# 伪代码示例
population = 随机生成初始种群  # 例：[[0.1, 0.5], [0.3, 0.8], ...]

for 每代演化 in range(max_iter):
    scores = []
    for 个体 in population:
        分数 = 模型在验证集的表现（适应度）  # 例：调用模型训练并评估准确率
        scores.append(分数)
    
    # 选择父母（优胜劣汰）
    parents = 轮盘赌选择(scores, population)  # 高分个体更可能被选中
    
    # 交叉重组（生孩子）
    children = []
    for _ in range(len(population)//2):
        父, 母 = 随机选一对父母
        子1, 子2 = 交叉操作(父的参数, 母的参数)  # 例：参数拼接或加权平均
        children.extend([子1, 子2])
    
    # 变异（增加随机性）
    for child in children:
        if 随机数 < 变异率:
            随机扰动某几个参数
    
    population = children  # 新一代取代旧种群

关键操作
• 交叉：模拟基因混合（如交换超参数的片段）。

• 变异：防止种群退化（如对某个参数随机加/减 0.1）。

• 选择：只让高分个体繁殖（类似 selected = sorted(population, key=score)[-10:]）。

---

​​二、粒子群优化（PSO）实现逻辑​​

# 伪代码示例
particles = 初始化粒子群  # 每个粒子有位置和速度，例：位置=参数组，速度=随机方向
pbest = [每个粒子历史最佳位置]  # 初始化为当前位置
gbest = 全体粒子中的全局最佳位置

for 迭代 in range(max_iter):
    for 每个粒子 in particles:
        分数 = 模型评估粒子当前位置的适应度
        
        if 分数 > 粒子自身历史最高分:
            更新 pbest[该粒子] = 当前位置
        
        if 分数 > 全局最高分:
            更新 gbest = 当前位置
    
    # 更新速度和位置
    for 每个粒子 in particles:
        新速度 = 惯性权重 * 当前速度 + \
                认知因子 * 随机数 * (pbest位置 - 当前位置) + \
                社会因子 * 随机数 * (gbest位置 - 当前位置)
        
        新位置 = 当前位置 + 新速度  # 确保位置在参数空间范围内
    
particles = 所有粒子的新位置

关键操作
• 速度更新：粒子逐步向自己和群体的最佳位置移动（公式中可能用 w=0.5, c1=2, c2=2）。

• 粒子约束：限制参数范围（如 新位置 = np.clip(新位置, 0, 1)）。

---

​​三、模拟退火（SA）实现逻辑​​

# 伪代码示例
current_params = 随机初始参数
current_score = 模型评估(current_params)
T = 初始高温（如1000）

for 降温次数 in range(max_iter):
    T = 降温策略(T)  # 例：T = T * 0.95
    
    # 生成新解（随机扰动当前参数）
    new_params = current_params + 随机噪声（如高斯噪声）
    
    new_score = 模型评估(new_params)
    
    # 接受新解的条件
    delta = new_score - current_score
    if delta > 0:  # 新解更好 → 接受
        current_params = new_params
        current_score = new_score
    else:
        if 随机数 < exp(delta / T):  # 按概率接受差解
            current_params = new_params

关键操作
• 扰动生成：轻微改变参数（如 new_param = current_param + np.random.normal(0, 0.1)）。

• Metropolis准则：早期高温（T 大）时更可能跳出局部最优。

---

​​直观对比​​
• 遗传算法：种群迭代 → 参数组合混合优化（适合超参数多、维度高）。

• 粒子群：粒子协作 → 速度和方向引导优化（适合中等维度、快速收敛）。

• 模拟退火：单个解随机游走 → 概率性接受“坏方向”（适合避免局部最优的小规模问题）。

Python调包提示：
• 可以直接用 DEAP 库实现遗传算法，pyswarm 做粒子群，scipy.optimize.basinhopping 做退火。

@浙大疏锦行