timeout = 300 #mean=np.array([CSX,CSY,Min_pump_bdwz,yhq_skhd]) #mean = np.array([26,26,0,1]) optimizer = CMA(mean=np.mean(bounds, axis=1), sigma=1, bounds=bounds, seed=0) # 初始化一个计时器，记录优化开始的时间 start_time = time.time() # 循环优化，直到达到优化目标或时间限制为止 while True: # 生成一个新的种群，每个个体是一个解向量 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))

这段代码实现了一个基于CMA-ES算法的优化器，其目标是最小化一个给定的函数`quadratic(x[0], x[1], x[2], x[3])`，其中`x[0]`、`x[1]`、`x[2]`、`x[3]`是函数的四个参数。

该代码中的优化过程是一个迭代过程，每次迭代会生成一个新的种群，其中每个个体都是一个解向量。在生成新的种群时，会调用`optimizer.ask()`函数，该函数会根据当前的均值向量和协方差矩阵生成一个新的解向量。生成解向量后，会计算该解向量对应的函数值，并将解向量和函数值作为一个元组存储在`solutions`列表中。在计算函数值时，会对解向量进行一些限制，比如限制某些参数的取值范围，或者排除一些不符合要求的解向量。

整个优化过程会在一个循环中进行，直到达到优化目标或时间限制为止。其中`timeout=300`表示最大运行时间为300秒。另外，代码中还记录了优化开始的时间和迭代次数等信息，方便后续分析优化结果。