我已经在Python中创建了一个遗传编程系统，但是遇到了与内存限制有关的问题。问题在于将所有人存储在我的人群中。目前，我将所有人存储在内存中，然后再生成下一代的人口，然后将其存储到内存中。这意味着我有两个人群值得记忆加载。经过一些测试后，我发现我相当快地超过了Windows的默认2GB应用程序内存大小。将对象存储在文件而不是内存中
目前，我写出了整个人口的单个树木到一个文件，然后我可以加载和重新创建人口，如果我想。我一直在考虑的不是让所有人都加载到内存中，而是通过从文件中拉出个人并仅实例化该单个人来访问个人信息。根据我对Python的readline功能的理解，它应该一次只加载一行文件，而不是整个文件。如果我这样做了，我想我只能记忆我当前操纵的个人。
我的问题是，有没有一个突出的问题，这样做，我现在没有看到？我明白，因为我正在处理磁盘而不是内存中的数据，所以我的性能会受到影响，但是对于这种情况，内存比速度更重要。另外我不想增加分配给Python程序的2GB内存。
谢谢！
由于RAM的限制，我会改变人口模型从世代到稳态。
这个想法是反复培育一两个新的孩子，评估他们的健康状况，然后直接重新将它们引入人群中，杀死一些预先存在的人为他们腾出空间。
稳态使用传统遗传算法的一半内存，因为一次只有一个人口。
改变实现不应该太难，但你必须注意过早收敛（即调整参数，如变异率，联赛大小......）。
的岛模型是另一个/附加可能性：人口被分成单独的子群（demes）。德姆斯将个人送到彼此，以帮助传播新发现的空间合适区域的消息。
通常这是一个异步机制，但是你可以使用一个同步算法，装载demes一个接一个，有极大地减少所需的内存资源。
当然，你可以写人口到一个文件，你可以加载所需的个人。如果选择这种方法，计算个体的散列签名以优化识别/加载速度可能是一个好主意。
无论如何，你应该考虑到，根据你的GP系统正在执行的任务，你可以注册一个巨大的性能。
请记住，如果您使用稳态，则需要一些方法让Fittest个体交叉繁殖的概率高于不适合的个体。
你能想到约上几个附加选项：
一）使用SQLLite。 （https://docs.python.org/2/library/sqlite3.html）。这将具有使用数据库的所有性能优势（可能更多）以及使用文件的简单性和易用性。
b）有一个混合非稳态模型，允许保留一个大的，未评估的Polulation，尺寸M和适合的个体大小为N的“幸存者集合”，其中M >> N。人口是一个队列的解决方案对象，但SurvivorSet是“EvaluatedSolutions”（适用于Fitness的解决方案）的有限尺寸的Heap。所以，你继续从普通人群那里获得解决方案，对它们进行评估，然后将它们放入评估解决方案堆中（按照适应度降序排列）并剪切前N个元素。这样，你的记忆力消耗保持不变，但你拥有内置精英的概念。这也允许通过只使用精英作为繁殖种群来做一些很酷的技巧，如“繁殖”。
你有没有考虑使用数据库的原因？ –
从文件中提取单个记录意味着通过文件读取，直到找到正确的记录。我强烈建议移动到具有现代64位环境和合理数量的RAM的计算机。如果您想优化程序，请提供[MCVE]（http://stackoverflow.com/help/mcve）。如果它目前有效，请考虑询问代码审核。 – TigerhawkT3
@ IgnacioVazquez-Abrams我曾考虑过，但在每代人中至少有95％的人口被替换。它似乎并不像使用数据库是正确的方向，因为数据记录只能持续很短的时间。 – Tory