遗传算法python实例代码加注释

下面是一个遗传算法的 Python 实例代码，我添加了一些注释来帮助你理解代码的每个部分。

import random

# 目标函数
def fitness(individual):
    # 计算个体的适应度，这里假设目标函数为求和
    return sum(individual)

# 初始化种群
def init_population(pop_size, gene_size):
    # 随机生成种群，每个个体包含 gene_size 个基因
    population = []
    for i in range(pop_size):
        individual = [random.randint(0, 1) for _ in range(gene_size)]
        population.append(individual)
    return population

# 选择操作
def selection(population, num_parents):
    # 选择适应度最好的 num_parents 个个体作为父代
    parents = []
    for _ in range(num_parents):
        max_fitness = 0
        max_individual = None
        for individual in population:
            if fitness(individual) > max_fitness:
                max_fitness = fitness(individual)
                max_individual = individual
        parents.append(max_individual)
        population.remove(max_individual)
    return parents

# 交叉操作
def crossover(parents, offspring_size):
    # 随机选择两个父代进行交叉，生成 offspring_size 个后代
    offspring = []
    for _ in range(offspring_size):
        parent1 = random.choice(parents)
        parent2 = random.choice(parents)
        crossover_point = random.randint(1, len(parent1) - 1)
        offspring.append(parent1[:crossover_point] + parent2[crossover_point:])
    return offspring

# 变异操作
def mutation(offspring):
    # 对每个后代的每个基因进行变异，以一定概率将 0 变成 1，将 1 变成 0
    for individual in offspring:
        for i in range(len(individual)):
            if random.random() < mutation_rate:
                individual[i] = 1 - individual[i]

# 遗传算法主函数
def genetic_algorithm(pop_size, gene_size, num_parents, offspring_size, num_generations, mutation_rate):
    population = init_population(pop_size, gene_size)
    for i in range(num_generations):
        parents = selection(population, num_parents)
        offspring = crossover(parents, offspring_size)
        mutation(offspring)
        population = parents + offspring
    best_individual = max(population, key=fitness)
    return best_individual

# 测试遗传算法函数
pop_size = 100
gene_size = 10
num_parents = 20
offspring_size = 80
num_generations = 100
mutation_rate = 0.1
best_individual = genetic_algorithm(pop_size, gene_size, num_parents, offspring_size, num_generations, mutation_rate)
print("Best individual:", best_individual, "Fitness:", fitness(best_individual))

这是一个简单的遗传算法示例，包括以下函数：

- `fitness()`：计算个体的适应度，这里假设目标函数为求和。
- `init_population()`：随机生成种群，每个个体包含 gene_size 个基因。
- `selection()`：选择适应度最好的 num_parents 个个体作为父代。
- `crossover()`：随机选择两个父代进行交叉，生成 offspring_size 个后代。
- `mutation()`：对每个后代的每个基因进行变异，以一定概率将 0 变成 1，将 1 变成 0。
- `genetic_algorithm()`：遗传算法主函数，在每一代中执行选择、交叉和变异操作，并返回最优个体。

在此示例中，我们使用遗传算法来优化一个包含 10 个基因的个体，目标函数为求和。算法将运行 100 代，种群大小为 100，每代选择适应度最好的 20 个个体作为父代，生成 80 个后代，并以 0.1 的概率对每个后代的每个基因进行变异。最终输出最优个体和其适应度。