遗传算法有多个约束条件代码

遗传算法可以应用于多个约束条件的问题。以下是一个简单的Python代码示例，用于解决带有多个约束条件的优化问题：

import numpy as np

# 定义适应度函数
def fitness(x):
    # 定义目标函数
    f = x[0]**2 + x[1]**2
    # 定义约束条件
    g1 = 3 - x[0] - x[1]
    g2 = 3 + 1.5*x[0] - x[1]
    g3 = 3 + x[0] - 1.5*x[1]
    # 判断是否满足约束条件
    if g1 > 0 or g2 > 0 or g3 > 0:
        f = np.inf
    return f

# 定义遗传算法参数
pop_size = 100
chrom_len = 2
max_gen = 100
pc = 0.8
pm = 0.1

# 初始化种群
pop = np.random.uniform(-5, 5, (pop_size, chrom_len))

# 进行迭代
for i in range(max_gen):
    # 计算适应度
    fit = np.apply_along_axis(fitness, 1, pop)
    # 找到最优解
    best_fit_idx = np.argmin(fit)
    best_fit = fit[best_fit_idx]
    best_sol = pop[best_fit_idx]
    # 输出当前最优解
    print("Generation %d: Best Fitness = %f, Best Solution = %s" % (i+1, best_fit, str(best_sol)))
    # 进行选择、交叉和变异操作
    parent_idx = np.random.choice(pop_size, size=pop_size, replace=True, p=fit/np.sum(fit))
    parent = pop[parent_idx]
    child = np.zeros_like(parent)
    for j in range(pop_size):
        if np.random.rand() < pc:
            k = np.random.randint(0, pop_size)
            child[j] = (parent[j] + parent[k]) / 2
        else:
            child[j] = parent[j]
        if np.random.rand() < pm:
            child[j] += np.random.normal(0, 1, chrom_len)
    pop = child

# 输出最终结果
print("Final Solution: %s" % str(best_sol))

在这个示例中，我们定义了一个目标函数 $f(x_1, x_2) = x_1^2 + x_2^2$ 和三个约束条件 $g_1(x_1, x_2) = 3 - x_1 - x_2 \leq 0$，$g_2(x_1, x_2) = 3 + 1.5x_1 - x_2 \leq 0$，$g_3(x_1, x_2) = 3 + x_1 - 1.5x_2 \leq 0$。我们使用遗传算法来最小化目标函数，并在每一代输出当前最优解。在选择、交叉和变异操作中考虑了适应度函数和约束条件，确保每个个体都满足约束条件。最终输出最优解。