鲸鱼算法 python案例

当然，我可以为您提供一个使用鲸鱼算法（Whale Algorithm）的Python案例。鲸鱼算法是一种基于自然界鲸鱼行为的启发式优化算法，常用于解决优化问题。

下面是一个简单的例子，展示如何使用鲸鱼算法求解一个经典的优化问题：函数的最小值。

import random
import math

# 定义目标函数
def objective_function(x):
    return math.sin(x) * x

# 定义鲸鱼算法
def whale_algorithm(iterations, search_space, population_size, a=2, b=1):
    population = []
    for _ in range(population_size):
        x = random.uniform(search_space[0], search_space[1])
        population.append(x)

    for iteration in range(iterations):
        for i in range(population_size):
            r1 = random.random()  # 随机数 [0, 1)
            r2 = random.random()  # 随机数 [0, 1)

            A = 2 * a * r1 - a  # 加速系数
            C = 2 * r2  # 收缩系数

            l = random.uniform(-1, 1)  # 随机数 [-1, 1)
            p = random.random()  # 随机数 [0, 1)

            if p < 0.5:
                if abs(A) < 1:
                    new_x = population[i] - A * abs(C * population[i] - population[l])
                else:
                    whale = population[random.randint(0, population_size - 1)]
                    new_x = whale - A * abs(C * whale - population[i])
            else:
                new_x = population[i] + random.uniform(-1, 1) * abs(search_space[1] - search_space[0])

            # 更新位置
            if objective_function(new_x) < objective_function(population[i]):
                population[i] = new_x

    # 返回最优解
    return min(population, key=objective_function)

# 设置优化参数
iterations = 1000
search_space = (-10, 10)
population_size = 30

# 运行鲸鱼算法并输出结果
best_solution = whale_algorithm(iterations, search_space, population_size)
best_fitness = objective_function(best_solution)
print("最优解:", best_solution)
print("最优解的目标函数值:", best_fitness)

在上述代码中，我们首先定义了需要优化的目标函数 `objective_function`，这里以求解函数 `f(x) = sin(x) * x` 的最小值为例。然后，我们实现了鲸鱼算法的主要逻辑 `whale_algorithm`，其中包括初始化种群、迭代更新位置等步骤。最后，我们设置了优化参数，并通过调用 `whale_algorithm` 函数来运行算法，并输出最优解和最优解对应的目标函数值。

请注意，这只是一个简单的示例，实际应用中可能需要根据具体问题进行适当的调整和改进。希望对您有所帮助！