遗传算法函数优化python

遗传算法是一种基于自然选择和遗传机制的优化算法，可以用来解决函数优化问题。在Python中，你可以使用遗传算法库，如DEAP（Distributed Evolutionary Algorithms in Python）来实现。

以下是一个简单的示例代码，演示如何使用遗传算法来优化一个函数：

import random
from deap import base, creator, tools

# 定义目标函数
def my_function(x):
    return x ** 2 + 2 * x + 1

# 定义适应度评价函数
def evaluate(individual):
    x = individual[0]
    return my_function(x),

# 创建遗传算法工具箱
toolbox = base.Toolbox()

# 创建一个最小化的适应度评价器
creator.create("FitnessMin", base.Fitness, weights=(-1.0,))

# 创建一个个体类，继承于列表
creator.create("Individual", list, fitness=creator.FitnessMin)

# 注册随机浮点数生成器
toolbox.register("attr_float", random.uniform, -10, 10)

# 注册个体生成器
toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attr_float, n=1)

# 注册种群生成器
toolbox.register("population", tools.initRepeat, list, toolbox.individual)

# 注册评价函数
toolbox.register("evaluate", evaluate)

# 注册交叉函数
toolbox.register("mate", tools.cxOnePoint)

# 注册变异函数
toolbox.register("mutate", tools.mutGaussian, mu=0, sigma=1, indpb=0.1)

# 注册选择函数
toolbox.register("select", tools.selTournament, tournsize=3)

def main():
    # 设置随机种子
    random.seed(0)
    
    # 创建种群
    population = toolbox.population(n=50)
    
    # 迭代次数
    num_generations = 100
    
    # 评价所有个体
    fitnesses = map(toolbox.evaluate, population)
    for ind, fit in zip(population, fitnesses):
        ind.fitness.values = fit
    
    # 进化的主循环
    for g in range(num_generations):
        # 选择下一代个体
        offspring = toolbox.select(population, len(population))
        
        # 克隆选中个体
        offspring = list(map(toolbox.clone, offspring))
        
        # 对选中个体进行交叉和变异操作
        for child1, child2 in zip(offspring[::2], offspring[1::2]):
            toolbox.mate(child1, child2)
            toolbox.mutate(child1)
            toolbox.mutate(child2)
            del child1.fitness.values
            del child2.fitness.values
        
        # 评价新生成的个体
        invalid_ind = [ind for ind in offspring if not ind.fitness.valid]
        fitnesses = map(toolbox.evaluate, invalid_ind)
        for ind, fit in zip(invalid_ind, fitnesses):
            ind.fitness.values = fit
        
        # 替换种群中最差的个体
        population[:] = toolbox.select(population + offspring, len(population))
    
    # 输出最优解
    best_individual = tools.selBest(population, k=1)[0]
    best_fitness = best_individual.fitness.values[0]
    best_x = best_individual[0]
    
    print("最优解: x =", best_x)
    print("最优适应度:", best_fitness)

if __name__ == "__main__":
    main()

在上面的示例代码中，我们首先定义了一个目标函数`my_function`，然后定义了适应度评价函数`evaluate`，它计算个体的适应度值。接下来，我们使用DEAP创建了遗传算法工具箱，并注册了必要的函数和参数。然后，我们创建了一个种群，并对种群中的个体进行评价。接下来，通过选择、交叉和变异操作，进化出新一代的个体。最后，输出找到的最优解和最优适应度。

这只是一个简单的示例，你可以根据你的具体问题和需求进行相应的修改和扩展。希望对你有帮助！