用遗传算法求f（x）=xcosx+2的最大值，给出具体代码

遗传算法是一种模拟自然选择过程的优化算法，用于解决复杂的全局优化问题。对于函数f(x) = x*cos(x) + 2 的最大值搜索，我们可以建立一个简单的遗传算法模型。首先，我们需要定义以下几个关键部分：

1. **编码**：假设我们使用实数编码，每个个体代表一个可能的解（x值），范围可以设置为 -10 到 10。

2. **适应度函数**：在这个例子中，适应度就是函数 f(x) 的值，目标是最小化负适应度（因为我们通常寻求最大化目标函数）。

3. **选择、交叉和变异**：选择优秀的个体进行繁殖，通过交叉操作生成新个体，并引入一些随机变异以保持多样性。

以下是一个基本的Python遗传算法示例（使用DEAP库）：

import numpy as np
from deap import base, creator, tools

# 定义问题参数
creator.create("FitnessMax", base.Fitness, weights=(-1.0,))
creator.create("Individual", list, fitness=creator.FitnessMax)

def eval_fitness(individual):
    x = individual[0]
    return (-individual[0] * np.cos(x) - 2,)

toolbox = base.Toolbox()
toolbox.register("attr_float", random.uniform, -10.0, 10.0)
toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attr_float, n=1)
toolbox.register("population", tools.initRepeat, list, toolbox.individual)
toolbox.register("evaluate", eval_fitness)
toolbox.register("mate", tools.cxTwoPoint)
toolbox.register("mutate", tools.mutGaussian, mu=0.0, sigma=1.0, indpb=0.5)
toolbox.register("select", tools.selTournament, tournsize=3)

def genetic_algorithm(pop_size, max_gen):
    pop = toolbox.population(n=pop_size)
    hof = tools.HallOfFame(1)
    
    for gen in range(max_gen):
        # 评估当前种群
        fits = [toolbox.evaluate(ind) for ind in pop]
        
        # 更新适应度并排序
        for ind, fit in zip(pop, fits):
            ind.fitness.values = fit
        
        # 选择、交叉和变异
        offspring = toolbox.select(pop, len(pop))
        offspring = [toolbox.clone(ind) for ind in offspring]
        for child1, child2 in zip(offspring[::2], offspring[1::2]):
            if np.random.rand() < 0.7:
                toolbox.mate(child1, child2)
                del child1.fitness.values
                del child2.fitness.values
        for mutant in offspring:
            if np.random.rand() < 0.2:
                toolbox.mutate(mutant)
                del mutant.fitness.values
                
        # 拥挤淘汰
        invalid_ind = [ind for ind in offspring if not ind.fitness.valid]
        fits = toolbox.map(toolbox.evaluate, invalid_ind)
        for ind, fit in zip(invalid_ind, fits):
            ind.fitness.values = fit
            
        # 更新种群和 hall of fame
        pop[:] = offspring
        hof.update(pop)
        
    best_individual = hof[0]
    return best_individual, hof[0].fitness.values[0]

# 调用遗传算法
best_solution, max_value = genetic_algorithm(pop_size=100, max_gen=1000)
print(f"最优解 x={best_solution[0]}, 最大值 f(x)={max_value}")

请注意，这只是一个基础示例，实际应用中可能需要根据具体情况进行调整，如选择概率、交叉点数等参数。