我已經在Python中創建了一個遺傳編程系統，但是遇到了與內存限制有關的問題。問題在於將所有人存儲在我的人羣中。目前，我將所有人存儲在內存中，然後再生成下一代的人口，然後將其存儲到內存中。這意味着我有兩個人羣值得記憶加載。經過一些測試後，我發現我相當快地超過了Windows的默認2GB應用程序內存大小。將對象存儲在文件而不是內存中
目前，我寫出了整個人口的單個樹木到一個文件，然後我可以加載和重新創建人口，如果我想。我一直在考慮的不是讓所有人都加載到內存中，而是通過從文件中拉出個人並僅實例化該單個人來訪問個人信息。根據我對Python的readline功能的理解，它應該一次只加載一行文件，而不是整個文件。如果我這樣做了，我想我只能記憶我當前操縱的個人。
我的問題是，有沒有一個突出的問題，這樣做，我現在沒有看到？我明白，因爲我正在處理磁盤而不是內存中的數據，所以我的性能會受到影響，但是對於這種情況，內存比速度更重要。另外我不想增加分配給Python程序的2GB內存。
謝謝！
由於RAM的限制，我會改變人口模型從世代到穩態。
這個想法是反覆培育一兩個新的孩子，評估他們的健康狀況，然後直接重新將它們引入人羣中，殺死一些預先存在的人爲他們騰出空間。
穩態使用傳統遺傳算法的一半內存，因爲一次只有一個人口。
改變實現不應該太難，但你必須注意過早收斂（即調整參數，如變異率，聯賽大小......）。
的島模型是另一個/附加可能性：人口被分成單獨的子羣（demes）。德姆斯將個人送到彼此，以幫助傳播新發現的空間合適區域的消息。
通常這是一個異步機制，但是你可以使用一個同步算法，裝載demes一個接一個，有極大地減少所需的內存資源。
當然，你可以寫人口到一個文件，你可以加載所需的個人。如果選擇這種方法，計算個體的散列簽名以優化識別/加載速度可能是一個好主意。
無論如何，你應該考慮到，根據你的GP系統正在執行的任務，你可以註冊一個巨大的性能。
請記住，如果您使用穩態，則需要一些方法讓Fittest個體交叉繁殖的概率高於不適合的個體。
你能想到約上幾個附加選項：
一）使用SQLLite。 （https://docs.python.org/2/library/sqlite3.html）。這將具有使用數據庫的所有性能優勢（可能更多）以及使用文件的簡單性和易用性。
b）有一個混合非穩態模型，允許保留一個大的，未評估的Polulation，尺寸M和適合的個體大小爲N的「倖存者集合」，其中M >> N。人口是一個隊列的解決方案對象，但SurvivorSet是「EvaluatedSolutions」（適用於Fitness的解決方案）的有限尺寸的Heap。所以，你繼續從普通人羣那裏獲得解決方案，對它們進行評估，然後將它們放入評估解決方案堆中（按照適應度降序排列）並剪切前N個元素。這樣，你的記憶力消耗保持不變，但你擁有內置精英的概念。這也允許通過只使用精英作爲繁殖種羣來做一些很酷的技巧，如「繁殖」。
你有沒有考慮使用數據庫的原因？ –
從文件中提取單個記錄意味着通過文件讀取，直到找到正確的記錄。我強烈建議移動到具有現代64位環境和合理數量的RAM的計算機。如果您想優化程序，請提供[MCVE]（http://stackoverflow.com/help/mcve）。如果它目前有效，請考慮詢問代碼審覈。 – TigerhawkT3
@ IgnacioVazquez-Abrams我曾考慮過，但在每代人中至少有95％的人口被替換。它似乎並不像使用數據庫是正確的方向，因爲數據記錄只能持續很短的時間。 – Tory