鲸鱼优化算法python源代码

下面是一个简单的鲸鱼优化算法的Python源代码示例：

import numpy as np

def whale_optimization_algorithm(cost_function, num_iterations, num_variables, lb, ub, num_whales=10, a=2, b=1):
    # 初始化鲸群位置
    positions = np.random.uniform(lb, ub, (num_whales, num_variables))
    
    # 初始化最佳解和最佳适应度
    best_solution = None
    best_fitness = float('inf')
    
    for iteration in range(num_iterations):
        for i in range(num_whales):
            # 更新鲸鱼的位置
            a = 2 - iteration * ((2) / num_iterations)
            r1 = np.random.random()
            r2 = np.random.random()
            A = 2 * a * r1 - a
            C = 2 * r2
            
            distance_to_best = abs(C * best_solution - positions[i])
            new_position = best_solution - A * distance_to_best
            
            # 随机选择一只鲸鱼
            random_whale_index = np.random.randint(0, num_whales)
            random_whale = positions[random_whale_index]
            
            # 更新鲸鱼的位置
            distance_to_random = abs(2 * C * random_whale - positions[i])
            new_position -= distance_to_random
            
            # 限制位置在边界内
            new_position = np.clip(new_position, lb, ub)
            
            # 计算新位置的适应度
            fitness = cost_function(new_position)
            
            # 更新最佳解和最佳适应度
            if fitness < best_fitness:
                best_solution = new_position
                best_fitness = fitness
                
            # 更新鲸鱼的位置
            positions[i] = new_position
            
    return best_solution, best_fitness

这段代码实现了鲸鱼优化算法。你需要提供一个适应度函数 `cost_function`，以及算法的相关参数，如迭代次数 `num_iterations`、变量数量 `num_variables`、变量下界 `lb` 和上界 `ub`。该函数返回找到的最佳解和最佳适应度。请根据你的具体问题进行相应的修改和调整。