遗传算法可视化代码python

遗传算法是一种模拟自然选择过程的优化搜索算法，它通过“基因”（代表解决方案的一部分）的组合和演化来寻找最优解。在Python中，我们可以利用各种库如`matplotlib`、`seaborn`等进行可视化，以帮助理解算法的运行过程。

以下是一个简单的例子，展示如何使用`matplotlib`来创建一个遗传算法的二维空间适应度函数的二维图形：

import numpy as np
import matplotlib.pyplot as plt

# 假设我们有一个适应度函数f(x, y)
def fitness_function(x, y):
    return x**2 + y**2

# 初始化随机种群
pop_size = 50
x = np.random.uniform(-10, 10, pop_size)
y = np.random.uniform(-10, 10, pop_size)

# 计算每个个体的适应度值
fitness_values = [fitness_function(xi, yi) for xi, yi in zip(x, y)]

# 创建直方图显示适应度分布
plt.hist2d(x, y, bins=50, cmin=1, cmap='viridis', norm=mpl.colors.LogNorm())
plt.colorbar(label='Fitness')
plt.xlabel('X value')
plt.ylabel('Y value')
plt.title('Population Fitness Distribution')

plt.show()

这只是一个基本的示例，实际的遗传算法可视化可能会更复杂，比如跟踪代数迭代，显示适应度曲线，或者在解空间上动画化进化过程。每次迭代后的种群变化、最佳解的演变等都可以用散点图、线图等形式表示出来。