best_solution = None best_obj_value = float('inf') rounds = 0 while True: # 生成一个新的种群，每个个体是一个解向量 rounds += 1 solutions = [] for _ in range(optimizer.population_size): x = optimizer.ask() x[0] = int(x[0]) x[1] = int(x[1]) if (x[0] == 1 and x[1] in [1, 51]) or (x[0] == 51 and x[1] in [1, 51]) or (x[0] == 26 and x[1] == 26): pass else: value = quadratic(x[0], x[1], x[2], x[3]) if (x[0] == 1 and x[1] in [1, 51]) or (x[0] == 51 and x[1] in [1, 51]) or (x[0] == 26 and x[1] == 26): pass else: solutions.append((x, value))

这段代码使用了一个while循环来不断生成新的种群，并计算目标函数的值。其中`best_solution`和`best_obj_value`分别为当前最优解和最优值，初始化为`None`和无限大。`rounds`记录了循环的次数。

在循环中，首先使用`optimizer.ask()`方法生成一个新的解向量，然后对于一些特殊的解，如`(1, 1)`、`(1, 51)`、`(51, 1)`、`(51, 51)`、`(26, 26)`，直接跳过，不计算目标函数的值，因为这些解不满足约束条件。对于其他的解，则计算它们的目标函数值，并将解向量和目标函数值存储在`solutions`列表中。

代码中使用了`quadratic()`函数来计算目标函数的值，但是这个函数并没有在代码中给出，你需要自己定义这个函数。另外，需要注意的是，这段代码中的循环没有任何终止条件，你需要在代码中加入终止循环的条件，例如达到了优化时间限制，或者达到了最大迭代次数等。