python - 用遗传算法解决0-1背包问题，遗传算法是基于概率论的，因此不一定能一次命中最优解

# coding=utf-8
'''
贪心算法：局部最优解。
动态规划算法：多目标、多阶段优化。
穷举算法：万能，受问题规模限制。
遗传算法：只是比漫无目的的穷举搜索算法聪明一点点，通过较小的计算量获得较大的收益。
只要能用解析的方法直接得到的最优解问题，都不要试图用遗传算法。
适合-非线性问题。人工智能、自适应控制、机器学习等领域。
不依赖目标函数。
基于概率论，而不是一个确定的搜索过程，即每一次启发式搜索，可能会得出不同的最优解。
可能得到局部最优解或近似最优解。
迭代流程：
初始化种群
种群N代
个体评价
选择
交叉
变异
种群N+1代
1-编码方式：二进制编码（汉明距离）、格雷编码、符号编码、属性序列编码。
2-适应度评估函数（关键点）：
    固定的问题：运算初期早熟问题（未成熟收敛局部最优解），运算后期竞争区分度不高问题(等概率平均搜索)
    自适应的改进：尺度变换：线性、乘方、指数。
种群大小M：32
交叉概率PC：0.8
变异概率PM：0.15
进化代数T：500

用遗传算法解决0-1背包问题。
1-问题的解收敛了，但没有收敛到最优解 - 通过将最优解与实际结果比较，也可以循环100次，取价值最大的解。
2-self.total_fitness = 1 # 每次计算时，先将总数置0,在循环中，会产生全0的现象
     - envaluateFitness中加入防护，如果某个种群全零，则对其进行调整。
3-本例中，循环执行遗传算法24次，得到全局最优解，且结果收敛。
'''
import os
import random
from copy import deepcopy

class GAType(): # 种群32个
    def __init__(self, obj_count):
        self.gene = [0 for x in range(0, obj_count, 1)]   # 序列编码 0 / 1
        self.fitness = 0 # 适应度
        self.cho_feq = 0 # choose 选择概率
        self.cum_feq = 0 # cumulative 累积概率

class genetic():
    def __init__(self, value, weight, max_weight):
        self.value = value
        self.weight = weight
        self.max_weight = max_weight
        self.obj_count = len(weight)
        self._gatype = [GAType(self.obj_count) for x in range(0, population_size, 1)]  # 初始化32个种群
        self.total_fitness = 0

    def avoid_zero(self):
        '''防止遗传的下一代为全零，若为全零，则将随机的位数（1-7）置1'''