python单亲遗传算法代码

单亲遗传算法（Single Parent Genetic Algorithm）是一种基于遗传算法的优化算法，用于解决优化问题。下面是一个简单的Python单亲遗传算法的代码示例：

import random

# 适应度函数，根据个体的染色体计算适应度值
def fitness(chromosome):
    # 这里假设适应度函数为染色体中所有基因的和
    return sum(chromosome)

# 单亲遗传算法
def single_parent_genetic_algorithm(population_size, chromosome_length, generations):
    # 初始化种群
    population = []
    for _ in range(population_size):
        chromosome = [random.randint(0, 1) for _ in range(chromosome_length)]
        population.append(chromosome)

    # 迭代进化
    for _ in range(generations):
        # 计算每个个体的适应度值
        fitness_values = [fitness(chromosome) for chromosome in population]

        # 选择最优个体作为父代
        best_individual = population[fitness_values.index(max(fitness_values))]

        # 生成新的子代种群
        new_population = [best_individual] * population_size

        # 变异操作，对子代种群进行随机变异
        for i in range(1, population_size):
            for j in range(chromosome_length):
                if random.random() < 0.01:  # 变异概率为0.01
                    new_population[i][j] = 1 - new_population[i][j]

        # 更新种群
        population = new_population

    # 返回最优个体
    best_individual = population[fitness_values.index(max(fitness_values))]
    return best_individual

# 示例运行
population_size = 100
chromosome_length = 10
generations = 100

best_individual = single_parent_genetic_algorithm(population_size, chromosome_length, generations)
print("Best individual:", best_individual)

这段代码实现了一个简单的单亲遗传算法，其中包括适应度函数的定义、种群初始化、迭代进化、选择、变异等操作。在示例中，染色体是由0和1组成的二进制串，适应度函数为染色体中所有基因的和。算法通过迭代进化，不断选择最优个体作为父代，生成新的子代种群，并进行随机变异。最终返回最优个体。