遗传算法最优化问题的python代码

遗传算法是一种基于生物进化原理的优化算法，可以用于解决各种最优化问题。下面是一个使用遗传算法解决函数最大值问题的Python代码示例：

import random

# 目标函数
def fitness_func(x):
    return x * x

# 遗传算法
def genetic_algorithm(pop_size, chrom_size, max_iter, pc, pm):
    # 初始化种群
    pop = [[random.randint(0, 1) for j in range(chrom_size)] for i in range(pop_size)]
    # 迭代
    for i in range(max_iter):
        # 计算适应度
        fitness = [fitness_func(int(''.join(map(str, chrom)), 2)) for chrom in pop]
        # 选择
        parents = []
        for j in range(pop_size):
            idx1, idx2 = random.sample(range(pop_size), 2)
            if fitness[idx1] > fitness[idx2]:
                parents.append(pop[idx1])
            else:
                parents.append(pop[idx2])
        # 交叉
        for j in range(0, pop_size, 2):
            if random.random() < pc:
                k = random.randint(1, chrom_size - 1)
                parents[j][k:], parents[j+1][k:] = parents[j+1][k:], parents[j][k:]
        # 变异
        for j in range(pop_size):
            if random.random() < pm:
                k = random.randint(0, chrom_size - 1)
                parents[j][k] = 1 - parents[j][k]
        # 更新种群
        pop = parents
    # 返回最优解
    best_idx = fitness.index(max(fitness))
    return int(''.join(map(str, pop[best_idx])), 2)

# 测试
print(genetic_algorithm(100, 10, 100, 0.8, 0.01))

该代码使用遗传算法求解函数 f(x) = x^2 的最大值，其中 pop_size 表示种群大小，chrom_size 表示染色体长度，max_iter 表示最大迭代次数，pc 表示交叉概率，pm 表示变异概率。