使用遗传算法计算并输出 f(x,y) 最大值。 适应度函数： f(x,y)= （6.452(x+0.1225y)(cos(x)−cos(2y)) ²） /（0.8+(x−4.2) ² +2∗(y−7)² ​ ） +3.226y 代码

以下是使用遗传算法计算并输出 f(x,y) 最大值的 Python 代码：

import random

# 定义适应度函数
def fitness(x, y):
    return (6.452 * pow((x + 0.1225 * y) * (cos(x) - cos(2 * y)), 2)) / (0.8 + pow(x - 4.2, 2) + 2 * pow(y - 7, 2)) + 3.226 * y

# 定义交叉函数
def crossover(parent1, parent2):
    child1 = [parent1[0], parent2[1]]
    child2 = [parent2[0], parent1[1]]
    return child1, child2

# 定义变异函数
def mutation(child, mutation_rate):
    if random.random() < mutation_rate:
        if random.random() < 0.5:
            child[0] += random.uniform(-0.1, 0.1)
        else:
            child[1] += random.uniform(-0.1, 0.1)
    return child

# 初始化参数
population_size = 50
chromosome_length = 2
generation_limit = 1000
mutation_rate = 0.1
population = [[random.uniform(0, 10), random.uniform(0, 10)] for _ in range(population_size)]
generation = 0

# 开始进化
while generation < generation_limit:
    # 计算适应度并排序
    fitness_list = [fitness(chromosome[0], chromosome[1]) for chromosome in population]
    population = [x for _, x in sorted(zip(fitness_list, population), key=lambda pair: pair[0], reverse=True)]

    # 输出最优解
    print("Generation:", generation, "Best solution:", population[0], "Fitness:", fitness_list[0])

    # 选择两个父代进行交叉和变异
    parent1 = population[random.randint(0, population_size - 1)]
    parent2 = population[random.randint(0, population_size - 1)]
    child1, child2 = crossover(parent1, parent2)
    child1 = mutation(child1, mutation_rate)
    child2 = mutation(child2, mutation_rate)

    # 替换最差的两个个体
    population[-1] = child1
    population[-2] = child2

    generation += 1

在上述代码中，我们首先定义了适应度函数 `fitness`，然后定义了交叉函数 `crossover` 和变异函数 `mutation`。接着初始化了遗传算法的参数，包括种群大小、染色体长度、进化代数等。然后进入主循环，每一轮循环中计算适应度并排序，输出最优解，然后选择两个父代进行交叉和变异，最后替换最差的两个个体。通过不断进化，遗传算法能够逐渐找到 f(x,y) 的最大值。