KeyError: 'parents_portion'

这个错误通常是由于版本不兼容导致的。在不同的 `geneticalgorithm` 版本中，算法参数的命名可能会有所不同。

如果你使用的是较新的 `geneticalgorithm` 版本，可以尝试将 `parents_portion` 参数改为 `parents_portion_range`，并将其值设为一个元组，表示父代个体的比例范围，例如 `(0.5, 0.7)`。

如果你使用的是较旧的 `geneticalgorithm` 版本，则需要将 `parents_portion` 参数的值设为一个浮点数，表示父代个体的比例。

以下是一个示例代码，可以解决 `KeyError: 'parents_portion'` 的问题：

import numpy as np
from sklearn.datasets import load_iris
from sklearn.cluster import KMeans
from geneticalgorithm import geneticalgorithm as ga
import matplotlib.pyplot as plt

# 加载iris数据集
iris = load_iris()
data = iris.data

# 定义适应度函数
def fitness(X):
    kmeans = KMeans(n_clusters=3, init=X, n_init=1, max_iter=100, random_state=0)
    kmeans.fit(data)
    return kmeans.inertia_

# 定义遗传算法的参数
dim = 4  # 每个聚类中心的维度
popsize = 10  # 种群大小
maxiter = 10  # 最大迭代次数
crossover = 0.8  # 交叉率
mutation = 0.2  # 变异率
parents_portion = (0.5, 0.7)  # 父代个体的比例范围

# 定义编码和解码函数
def encode(X):
    return X.flatten()
def decode(X):
    return X.reshape(-1, dim)

# 定义遗传算法的操作函数
def initpop(size):
    return np.random.uniform(low=0, high=10, size=(size, dim*3))
def selection(X, fit, size):
    idx = np.argsort(fit)
    return X[idx[:size]]
def crossover(X, rate):
    size = X.shape[0]
    for i in range(size//2):
        if np.random.rand() < rate:
            j = np.random.randint(dim*3)
            X[i*2,j:], X[i*2+1,j:] = X[i*2+1,j:], X[i*2,j:].copy()
    return X
def mutation(X, rate):
    size = X.shape[0]
    for i in range(size):
        if np.random.rand() < rate:
            j = np.random.randint(dim*3)
            X[i,j] = np.random.uniform(low=0, high=10)
    return X

# 运行遗传算法
model = ga(function=fitness, dimension=dim*3, variable_type='real', variable_boundaries=np.array([[0, 10]]*dim*3),
           algorithm_parameters={'max_num_iteration': maxiter, 'population_size': popsize, 'mutation_probability': mutation, 'crossover_probability': crossover, 'parents_portion_range': parents_portion},
           convergence_curve_show=True)
model.run(no_plot=True)
centers = decode(model.output_dict['variable'])

# 可视化聚类结果
kmeans = KMeans(n_clusters=3, init=centers, n_init=1, max_iter=100, random_state=0)
kmeans.fit(data)
labels = kmeans.labels_
colors = ['r', 'g', 'b']
for i in range(data.shape[0]):
    plt.scatter(data[i,0], data[i,1], c=colors[labels[i]])
plt.scatter(centers[:,0], centers[:,1], marker='x', s=200, linewidths=3, color='k')
plt.show()

希望以上解决方案能够帮助到你。