GA(遺伝的アルゴリズム)の変数の範囲

現在、Deapを用いて、Pythonで遺伝的アルゴリズムのコードを書いています。

その際、以下のコードで遺伝子の範囲を100～3000と設定しているのですが、

toolbox.register("attribute", random.uniform, 100,3000)

実行結果を見ると、３や１５と、遺伝子に100以下の値が出てきてしまいます。

実行結果　（遺伝子は29個）

最も良い個体は [2050.4287868351553, 1729.0439433402744, 2649.420272551191, 
1825.285090217696, 1839.7237587761172, 2044.6842382330624, 239.95656726198487, 
3, 1402.2053890014188, 15, 914.2818050559725, 2367.5929562831743, 
1222.084581301321, 638.1918725814368, 1235.3839038956376, 
1985.4035498209607, 5, 1718.7375114780345, 1, 897.651062445838, 
1256.7446801115016, 11, 1341.0758804016605, 1066.186304756078, 7, 
1127.4823517958882, 2523.6923289896536, 1182.102595684409, 1806.4077504874228]で、
そのときの目的関数の値は (0.00010462913092104746,)

範囲を100～3000に設定しているはずなのに、なぜ、100以下の値を持った遺伝子が出てきてしまうのでしょうか。。

以下参考にさせていただいたサイトになります。
https://dse-souken.com/2021/05/25/ai-19/

以下、コード全文になります。


import random
#DEAPの中にある必要なモジュールをインポート
from deap import base
from deap import creator
from deap import tools
from deap import algorithms

#最小化問題として設定(-1.0で最小化、1.0で最大化問題)
#面食らうかもしれませんが、目的が最小化の場合は以下のように設定します。
creator.create("FitnessMin", base.Fitness, weights=(-1.0,))
#個体の定義（list型と指定しただけで、中身の遺伝子は後で入れる）
#これも面食らうかもしれませんが、個体を準備したと思ってください。
creator.create("Individual", list, fitness=creator.FitnessMin)


#目的関数の定義。必ずreturnの後に,をつける
def obfunc(individual):
    x0 = individual[0]
    x1 = individual[1]
    x2 = individual[2]
    x3 = individual[3]
    x4 = individual[4]
    x5 = individual[5]
    x6 = individual[6]
    x7 = individual[7]
    x8 = individual[8]
    x9 = individual[9]
    x10 = individual[10]
    x11 = individual[11]
    x12 = individual[12]
    x13 = individual[13]
    x14 = individual[14]
    x15 = individual[15]
    x16 = individual[16]
    x17 = individual[17]
    x18 = individual[18]
    x19 = individual[19]
    x20 = individual[20]
    x21 = individual[21]
    x22 = individual[22]
    x23 = individual[23]
    x24 = individual[24]
    x25 = individual[25]
    x26 = individual[26]
    x27 = individual[27]
    x28 = individual[28]
    

    object =(x0*0.03790532483552622*(0.03790532483552622-1) +\
             x1*0.08218601973684196*(0.08218601973684196-1) +\
             x2*0.13198935326597724*(0.13198935326597724-1) +\
             x3*0.18646259398496226*(0.18646259398496226-1) +\
             x4*0.24475301045582687*(0.24475301045582687-1) +\
             x5*0.30600787124060136*(0.30600787124060136-1) +\
             x6*0.36937444490131577*(0.36937444490131577-1) +\
             x7*0.434*(0.434-1) +\
             x8*0.4990318050986843*(0.4990318050986843-1) +\
             x9*0.5636171287593985*(0.5636171287593985-1) +\
             x10*0.626903239544173*(0.626903239544173-1) +\
             x11*0.6880374060150377*(0.6880374060150377-1) +\
             x12*0.7461668967340228*(0.7461668967340228-1) +\
             x13*0.8004389802631581*(0.8004389802631581-1) +\
             x14*0.8500009251644738*(0.8500009251644738-1) +\
             x15*0.8940000000000001*(0.8940000000000001-1) +\
             x16*0.9320722639933164*(0.9320722639933164-1) +\
             x17*0.9658089390142021*(0.9658089390142021-1) +\
             x18*0.9972900375939849*(0.9972900375939849-1) +\
             x19*1.028595572263993*(1.028595572263993-1) +\
             x20*1.0618055555555554*(1.0618055555555554-1) +\
             x21*1.099*(1.099-1) +\
             x22*1.141426127819549*(1.141426127819549-1) +\
             x23*1.187*(1.187-1) +\
             x24*1.232804887218046*(1.232804887218046-1) +\
             x25*1.2759240601503767*(1.2759240601503767-1) +\
             x26*1.3134407894736848*(1.3134407894736848-1) +\
             x27*1.342438345864662*(1.342438345864662-1) +\
             x28*1.36*(1.36-1) \
            )**2


    return object,


#各種関数の設定を行います
#交叉、選択、突然変異などには、DEAPのToolbox内にある関数を利用
toolbox = base.Toolbox()

#random.uniformの別名をattribute関数として設定。各個体の遺伝子の中身を決める関数(各遺伝子は100～3000のランダムな値)
toolbox.register("attribute", random.uniform, 100,3000)

#individualという関数を設定。それぞれの個体に含まれる29個の遺伝子をattributeにより決めるよ、ということ。
toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attribute, 29)

#集団の個体数を設定するための関数を準備
toolbox.register("population", tools.initRepeat, list, toolbox.individual)

#トーナメント方式で次世代に子を残す親を選択（tornsizeは各トーナメントに参加する個体の数）
toolbox.register("select", tools.selTournament, tournsize=5)

#交叉関数の設定。
toolbox.register("mate", tools.cxOnePoint)
#突然変異関数の設定。
toolbox.register("mutate", tools.mutUniformInt,low=0,up=20,indpb=0.2)

#評価したい関数の設定（目的関数のこと）
toolbox.register("evaluate", obfunc)


#以下でパラメータの設定----------------------------
#今回は最も単純な遺伝的アルゴリズムの手法を採用

#乱数を固定
random.seed(64)

#何世代まで行うか
NGEN = 500

#集団の個体数
POP = 80

#交叉確率
CXPB = 0.9

#個体が突然変異を起こす確率
MUTPB = 0.1



#集団は80個体という情報の設定
pop = toolbox.population(n=POP)

#集団内の個体それぞれの適応度（目的関数の値）を計算
for individual in pop:
    individual.fitness.values = toolbox.evaluate(individual)

#パレート曲線上の個体(つまり、良い結果の個体)をhofという変数に格納
hof = tools.ParetoFront()

#今回は最も単純なSimple GAという進化戦略を採用
algorithms.eaSimple(pop, toolbox, cxpb=CXPB, mutpb=MUTPB, ngen=NGEN, halloffame=hof)

#最終的な集団(pop)からベストな個体を1体選出する関数
best_ind = tools.selBest(pop, 1)[0]

#結果表示
print("最も良い個体は %sで、そのときの目的関数の値は %s" % (best_ind, best_ind.fitness.values))