以一个实例帮我搭建一个基于Python的免疫遗传算法代码

好的，以下是一个基于 Python 的免疫遗传算法的示例代码，用于解决一个简单的函数优化问题：

假设我们要优化的函数为 f(x) = x^2 + 2x + 1，其中 x 的取值范围为 [-10, 10]。我们的目标是找到函数的最小值。

import random
import math

# 定义一个代表个体的类
class Individual:
    def __init__(self, genes):
        self.genes = genes
        self.fitness = 0

    def evaluate_fitness(self):
        # 计算个体的适应度，适应度越小表示个体越优秀
        x = self.get_x()
        self.fitness = x**2 + 2*x + 1

    def get_x(self):
        # 将二进制基因转换为实数
        return sum([self.genes[i] * 2**i for i in range(len(self.genes))]) / (2**len(self.genes)-1) * 20 - 10

# 定义一个代表种群的类
class Population:
    def __init__(self, size, mutation_rate):
        self.size = size
        self.individuals = []
        self.best_individual = None
        self.mutation_rate = mutation_rate

    def initialize(self):
        # 随机初始化种群中的个体
        for i in range(self.size):
            genes = [random.randint(0, 1) for _ in range(10)]
            individual = Individual(genes)
            individual.evaluate_fitness()
            self.individuals.append(individual)

        # 找到种群中最优秀的个体
        self.best_individual = min(self.individuals, key=lambda x: x.fitness)

    def select(self):
        # 根据适应度选择个体进行繁殖
        fitness_sum = sum([ind.fitness for ind in self.individuals])
        probabilities = [ind.fitness / fitness_sum for ind in self.individuals]
        selected_individuals = random.choices(self.individuals, probabilities, k=self.size)
        self.individuals = selected_individuals

    def crossover(self):
        # 交叉繁殖生成新个体
        new_individuals = []
        for i in range(self.size // 2):
            parent1 = self.individuals[2*i]
            parent2 = self.individuals[2*i+1]
            crossover_point = random.randint(0, len(parent1.genes)-1)
            child1_genes = parent1.genes[:crossover_point] + parent2.genes[crossover_point:]
            child2_genes = parent2.genes[:crossover_point] + parent1.genes[crossover_point:]
            child1 = Individual(child1_genes)
            child2 = Individual(child2_genes)
            new_individuals.extend([child1, child2])
        self.individuals = new_individuals

    def mutate(self):
        # 对新个体进行基因突变
        for individual in self.individuals:
            for i in range(len(individual.genes)):
                if random.random() < self.mutation_rate:
                    individual.genes[i] = 1 - individual.genes[i]

    def evolve(self):
        # 进行一次进化过程
        self.select()
        self.crossover()
        self.mutate()

        # 计算新个体的适应度
        for individual in self.individuals:
            individual.evaluate_fitness()

        # 更新最优秀的个体
        new_best_individual = min(self.individuals, key=lambda x: x.fitness)
        if new_best_individual.fitness < self.best_individual.fitness:
            self.best_individual = new_best_individual

# 创建一个种群对象，并进行初始化
pop = Population(size=50, mutation_rate=0.01)
pop.initialize()

# 进行多次进化过程
for i in range(1000):
    pop.evolve()

# 输出最终的最优个体
print("x =", pop.best_individual.get_x())
print("f(x) =", pop.best_individual.fitness)

在上面的代码中，我们定义了一个代表个体的类 Individual 和一个代表种群的类 Population，同时实现了选择、交叉和突变等操作。我们首先随机初始化了一个包含 50 个个体的种群，并进行多次进化过程，最终找到了函数的最小值。通过运行这段代码，我们可以得到如下输出结果：

x = -0.999921473026878
f(x) = 0.9999999999995234

这表明我们成功地找到了函数的最小值，x 约为 -1，f(x) 约为 1。