遗传算法函数求最大值python实现

遗传算法是一种模拟自然选择和遗传过程的优化搜索技术，常用于解决复杂函数的全局优化问题。在Python中，我们可以使用`deap`库来实现遗传算法，下面是一个简单的例子，展示如何使用它来寻找一个函数的最大值：

from deap import base, creator, tools

# 定义问题域、适应度函数和个体编码
creator.create("FitnessMax", base.Fitness, weights=(1.0,))
creator.create("Individual", list, fitness=creator.FitnessMax)

def eval_one_max(individual):
    return -sum(individual), # 这里假设我们是在找最小值，所以需要取负值

toolbox = base.Toolbox()
toolbox.register("attr_bool", random.randint, 0, 1)  # 使用二进制编码，1代表True，0代表False
toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attr_bool, n=len(individual))  # 初始化个体
toolbox.register("population", tools.initRepeat, list, toolbox.individual)  # 初始化种群

toolbox.register("evaluate", eval_one_max)
toolbox.register("mate", tools.cxTwoPoint)  # 交叉操作
toolbox.register("mutate", tools.mutFlipBit, indpb=0.1)  # 突变操作
toolbox.register("select", tools.selTournament, tournsize=3)  # 选择操作

def main(pop_size, generations):
    pop = toolbox.population(n=pop_size)
    hof = tools.HallOfFame(1)  # 保存最佳解
    stats = tools.Statistics(lambda ind: ind.fitness.values[0])  # 记录适应度
    stats.register("avg", numpy.mean)
    stats.register("std", numpy.std)
    stats.register("min", numpy.min)
    stats.register("max", numpy.max)

    for gen in range(generations):
        offspring = tools.select(pop, len(pop))
        offspring = [toolbox.clone(ind) for ind in offspring]

        # Crossover and mutation
        offspring = toolbox.mate(offspring)
        offspring = [toolbox.clone(ind) for ind in offspring]
        toolbox.mutate(offspring)
        del offspring[:len(pop)]  # Replace the worst individuals with new ones

        # Evaluate the fitness of the offspring
        fitnesses = map(toolbox.evaluate, offspring)
        for ind, fit in zip(offspring, fitnesses):
            ind.fitness.values = fit

        # Update statistics
        stats.update(offspring)

        # Select the next generation population
        pop[:] = offspring

        # Save the best solution found so far
        hof.update(offspring)

    return hof[0], stats

best_solution, stats = main(population_size=50, generations=100)
print(f"Best solution: {best_solution}")
print(f"Statistics: {stats}")

这个脚本会尝试在一个给定的迭代次数（`generations`）内找到一个函数的最大值，通过不断的进化和选择操作。请注意，这个例子假设了`eval_one_max`是你想要优化的具体函数，你需要替换为你实际的目标函数。