python遗传算法求解的代码

以下是一个基于Python的遗传算法求解的示例代码，用于求解函数$f(x)=x^2$的最小值。

import random

# 遗传算法的参数
POP_SIZE = 100  # 种群大小
CROSS_RATE = 0.8  # 交叉概率
MUTATE_RATE = 0.01  # 变异概率
N_GENERATIONS = 200  # 迭代次数
X_BOUND = [-5, 5]  # 自变量取值范围

# 初始化种群
pop = [[random.uniform(*X_BOUND), 0] for _ in range(POP_SIZE)]

# 定义适应度函数
def fitness(x):
    return x[0] ** 2

# 进化
for _ in range(N_GENERATIONS):
    # 计算适应度
    for i in range(POP_SIZE):
        pop[i][1] = fitness(pop[i])

    # 按适应度排序
    pop = sorted(pop, key=lambda x: x[1])

    # 选择
    mating_pool = pop[:POP_SIZE // 2]

    # 交叉
    for i in range(POP_SIZE // 2):
        if random.random() < CROSS_RATE:
            j = random.randint(0, POP_SIZE // 2 - 1)
            k = random.randint(0, POP_SIZE // 2 - 1)
            while j == k:
                k = random.randint(0, POP_SIZE // 2 - 1)
            child = [(mating_pool[j][0] + mating_pool[k][0]) / 2, 0]
            mating_pool.append(child)

    # 变异
    for i in range(len(mating_pool)):
        if random.random() < MUTATE_RATE:
            mating_pool[i][0] += random.uniform(-1, 1)

    # 更新种群
    pop = mating_pool

# 输出结果
best_individual = sorted(pop, key=lambda x: x[1])[0]
print('最小值：%f，自变量：%f' % (best_individual[1], best_individual[0]))

该代码首先通过随机初始化产生了一个种群，然后定义了适应度函数（即$f(x)=x^2$）。接着，进行$N$次迭代，每次迭代分别进行选择、交叉和变异操作，得到新的种群。最后输出最小适应度及其对应的自变量值。