利用python写遗传算法

可以使用Python编写遗传算法，具体步骤为：
1. 定义个体（或种群）的表示方法，可以是二进制编码、实数编码或其他编码方式；
2. 定义适应度函数，用于衡量个体（或种群）的优劣程度；
3. 初始化种群，并对每个个体计算适应度；
4. 选择优秀的个体，并执行遗传算子（交叉、变异）生成新的个体；
5. 对新的个体计算适应度，筛选优秀的个体进入下一代种群；
6. 重复步骤4和5，直到达到终止条件（例如最大迭代次数、达到预设的优化目标等）。

可以参考Python的遗传算法库：DEAP (Distributed Evolutionary Algorithms in Python)。
例子代码如下：

from deap import base, creator, tools

# 定义适应度函数
def fitness(individual):
    # TODO：根据个体染色体计算适应度分数
    return 0

# 初始化遗传算法参数
creator.create("FitnessMax", base.Fitness, weights=(1.0,))
creator.create("Individual", list, fitness=creator.FitnessMax)
toolbox = base.Toolbox()
toolbox.register("attr_bool", random.randint, 0, 1)
toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attr_bool, n=10) # 个体长度为10
toolbox.register("population", tools.initRepeat, list, toolbox.individual)

# 注册遗传算子
toolbox.register("evaluate", fitness)
toolbox.register("mate", tools.cxTwoPoint)
toolbox.register("mutate", tools.mutFlipBit, indpb=0.05)
toolbox.register("select", tools.selTournament, tournsize=3)

# 主程序
pop = toolbox.population(n=50) # 初始化种群
for generation in range(100):
    # 计算适应度
    fitnesses = list(map(toolbox.evaluate, pop))
    for ind, fit in zip(pop, fitnesses):
        ind.fitness.values = (fit,)

    # 选择优秀的个体，并执行遗传算子
    offspring = toolbox.select(pop, len(pop))
    offspring = list(map(toolbox.clone, offspring))
    for child1, child2 in zip(offspring[::2], offspring[1::2]):
        if random.random() < 0.5:
            toolbox.mate(child1, child2)
            del child1.fitness.values
            del child2.fitness.values
    for mutant in offspring:
        if random.random() < 0.05:
            toolbox.mutate(mutant)
            del mutant.fitness.values

    # 计算新个体的适应度
    fitnesses = list(map(toolbox.evaluate, offspring))
    for ind, fit in zip(offspring, fitnesses):
        ind.fitness.values = (fit,)

    # 筛选优秀个体进入下一代种群
    pop[:] = offspring

# 获取最优个体
best_ind = tools.selBest(pop, 1)[0]
print("Best individual is %s, fitness score is %s" % (best_ind, best_ind.fitness.values[0]))