遗传算法优化SVM的python代码

下面是一个使用遗传算法优化支持向量机（SVM）的简单示例代码：

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 载入数据集
X, y = load_dataset()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 定义适应度函数（准确率）
def fitness_function(solution):
    C = solution[0]
    gamma = solution[1]
    
    # 创建一个 SVM 分类器
    clf = SVC(C=C, gamma=gamma)
    
    # 在训练集上训练模型
    clf.fit(X_train, y_train)
    
    # 在测试集上进行预测
    y_pred = clf.predict(X_test)
    
    # 计算准确率作为适应度值
    accuracy = accuracy_score(y_test, y_pred)
    
    return accuracy

# 定义遗传算法参数
population_size = 50  # 种群大小
num_generations = 100  # 迭代次数
num_features = 2  # 解决方案中的特征数量
bounds = [(0.1, 10), (0.001, 1)]  # 特征取值范围

# 初始化种群
population = np.random.uniform(low=bounds[0][0], high=bounds[0][1], size=(population_size, num_features))

# 迭代优化过程
for generation in range(num_generations):
    # 计算适应度函数值
    fitness_scores = np.array([fitness_function(solution) for solution in population])
    
    # 选择操作
    parents = population[np.argsort(fitness_scores)][-2:]  # 选择最优的两个个体作为父母
    
    # 交叉操作
    offspring = np.empty((population_size, num_features))
    for i in range(population_size):
        parent1, parent2 = np.random.choice(parents, size=2, replace=False)
        offspring[i] = (parent1 + parent2) / 2  # 交叉产生新个体
    
    # 变异操作
    for i in range(population_size):
        for j in range(num_features):
            if np.random.rand() < mutation_rate:
                offspring[i, j] = np.random.uniform(low=bounds[j][0], high=bounds[j][1])
    
    # 更新种群
    population = offspring

# 获取最优解
best_solution = population[np.argmax(fitness_scores)]
best_fitness = np.max(fitness_scores)

print("Best Solution:", best_solution)
print("Best Fitness:", best_fitness)

在上述代码中，我们首先载入数据集并划分为训练集和测试集。然后，定义了适应度函数 `fitness_function`，用于评估每个解决方案（SVM 参数）的性能。

接下来，我们设置了遗传算法的参数，包括种群大小、迭代次数、解决方案中的特征数量和特征取值范围。

然后，我们初始化了种群，并开始进行迭代优化过程。在每一代中，通过计算适应度函数值，选择出最优的两个个体作为父母进行交叉操作，产生新个体。然后，进行变异操作，以增加种群的多样性。最后，更新种群。

在迭代完成后，我们得到了最优解和最优适应度值，并将其输出到控制台。

请注意，上述代码只是一个简单示例，实际应用中可能需要根据具体问题进行更多的调整和改进。