遗传算法求函数最大值实验用python运行

遗传算法是一种基于生物进化原理的优化搜索算法，常用于解决复杂的全局优化问题。在Python中进行遗传算法求解函数最大值的实验，通常步骤包括以下几个：

1. **初始化种群**：随机生成初始的一批解（个体），每个解代表一种可能的解决方案。

2. **适应度评估**：计算每个解对应目标函数的值，作为其适应度。目的是找到最接近最大值的解。

3. **选择操作**：根据适应度选择一部分个体进入下一代，概率较高的个体更有可能被选中。

4. **交叉（Crossover）**：对选定的个体进行基因重组，即交换部分基因，形成新的个体。

5. **变异（Mutation）**：对新产生的个体进行一定程度的随机改变，增加解的多样性。

6. **迭代循环**：重复上述步骤直到达到预设的停止条件，如达到最大迭代次数或适应度阈值。

以下是一个简单的遗传算法求解函数最大值的Python代码示例，这里以求解函数f(x) = x^2为例：

import numpy as np

def fitness_function(x):
    return -x**2 # 函数的最大值在0处，我们取负数便于最大化

def generate_initial_population(population_size, lower_bound, upper_bound):
    return np.random.uniform(lower_bound, upper_bound, population_size)

def selection(population, fitness_scores, num_selected):
    probabilities = fitness_scores / sum(fitness_scores)
    return np.random.choice(population, size=num_selected, replace=False, p=probabilities)

# ... (其他操作)

def genetic_algorithm(target_func, population_size, generations, lower_bound, upper_bound):
    pop = generate_initial_population(population_size, lower_bound, upper_bound)
    
    for _ in range(generations):
        fitness_scores = [target_func(individual) for individual in pop]
        
        # ... (选择、交叉、变异等操作)
        
    return max(pop, key=target_func)

max_value = genetic_algorithm(fitness_function, population_size=100, generations=1000, lower_bound=-100, upper_bound=100)
print("Best solution found: ", max_value, "with maximum value", fitness_function(max_value))