python求遗传算法求多自变量函数最小值

遗传算法可以用于多自变量函数最小值的求解。下面是一个简单的Python实现示例：

import random

# 目标函数，这里使用了经典的Rastrigin函数
def rastrigin(*X):
    A = 10
    return A * len(X) + sum([(x**2 - A * math.cos(2 * math.pi * x)) for x in X])

# 遗传算法求解多自变量函数最小值
def genetic_algorithm(func, n_vars, n_pop=50, n_gen=100, p_cross=0.9, p_mut=0.1):
    # 初始化种群
    pop = [[random.uniform(-5.12, 5.12) for _ in range(n_vars)] for _ in range(n_pop)]
    # 迭代
    for gen in range(n_gen):
        # 计算适应度
        fitness = [1 / (1 + func(*p)) for p in pop]
        # 选择
        idxs = random.choices(range(n_pop), weights=fitness, k=n_pop)
        parents = [pop[i] for i in idxs]
        # 交叉
        for i in range(0, n_pop, 2):
            if random.random() < p_cross:
                point = random.randint(1, n_vars - 1)
                parents[i][point:], parents[i+1][point:] = parents[i+1][point:], parents[i][point:]
        # 变异
        for i in range(n_pop):
            if random.random() < p_mut:
                point = random.randint(0, n_vars - 1)
                parents[i][point] = random.uniform(-5.12, 5.12)
        # 替换
        pop = parents
    # 返回最优解
    return max(pop, key=lambda p: 1 / (1 + func(*p)))

# 测试
import math
result = genetic_algorithm(rastrigin, 2)
print(result)

其中，`rastrigin`函数是目标函数，这里使用了经典的Rastrigin函数。`genetic_algorithm`函数是遗传算法求解多自变量函数最小值的实现，其中`n_vars`表示自变量的个数，`n_pop`表示种群大小，`n_gen`表示迭代次数，`p_cross`表示交叉概率，`p_mut`表示变异概率。最后通过调用`genetic_algorithm`函数得到最优解。