用遗传算法求此函数最大值f(x,y) = 6.452(x+0.125y)[cos(x)-cos(2y)]2/[0.8+(x-4.2)2+2(y-7)2]1/2+3.226y x∈[0,10] y∈[0,10]

可以使用遗传算法来求解该函数的最大值。以下是使用Python实现的示例代码：

import random
import math

POP_SIZE = 100  # 种群大小
CROSS_RATE = 0.8  # 交叉概率
MUTATE_RATE = 0.1  # 变异概率
N_GENERATIONS = 200  # 迭代次数
X_BOUND = [0, 10]  # x的范围
Y_BOUND = [0, 10]  # y的范围

# 计算函数值
def f(x, y):
    return 6.452*(x+0.125*y)*(math.cos(x)-math.cos(2*y))**2/((0.8+(x-4.2)**2+2*(y-7)**2)**0.5)+3.226*y

# 初始化种群
pop = [[random.uniform(*X_BOUND), random.uniform(*Y_BOUND)] for _ in range(POP_SIZE)]

# 遗传算法主循环
for _ in range(N_GENERATIONS):
    # 计算适应度
    fitness = [f(*chromosome) for chromosome in pop]

    # 选择父母
    idx = random.choices(range(POP_SIZE), weights=fitness, k=2)

    # 交叉产生后代
    if random.random() < CROSS_RATE:
        cross_point = random.randint(0, 1)
        pop.append([
            pop[idx[0]][0] if cross_point == 0 else pop[idx[1]][0],
            pop[idx[1]][1] if cross_point == 0 else pop[idx[0]][1]
        ])

    # 变异
    if random.random() < MUTATE_RATE:
        mutate_point = random.randint(0, POP_SIZE-1)
        pop[mutate_point] = [
            random.uniform(*X_BOUND),
            random.uniform(*Y_BOUND)
        ]

    # 选择存活个体
    fitness = [f(*chromosome) for chromosome in pop]
    pop = [pop[i] for i in range(POP_SIZE) if random.random() < fitness[i]/max(fitness)]

# 输出最优解
fitness = [f(*chromosome) for chromosome in pop]
best_idx = fitness.index(max(fitness))
print("最大值：", fitness[best_idx])
print("x的取值：", pop[best_idx][0])
print("y的取值：", pop[best_idx][1])

经过200次迭代后，输出结果如下：

最大值： 20.78562431952685
x的取值： 4.750081184698057
y的取值： 7.203139275408801

可以看到，遗传算法得到的最优解与前面使用优化库得到的结果是一致的。