遗传算法的python实现

遗传算法是一种基于生物进化理论的优化算法，它通过基因交叉、变异、选择等操作，模拟自然界中的遗传进化过程，实现对问题的求解。下面是一个简单的遗传算法的Python实现示例：

import random

# 目标函数（示例为简单的函数 f(x) = x^2）
def fitness(x):
    return x**2

# 个体类
class Individual:
    def __init__(self, x):
        self.x = x
        self.fitness = fitness(x)

# 种群类
class Population:
    def __init__(self, size):
        self.size = size
        self.individuals = []
        for i in range(size):
            x = random.uniform(-10, 10) # 随机生成初始个体
            individual = Individual(x)
            self.individuals.append(individual)

    # 选择操作（轮盘赌选择）
    def selection(self):
        total_fitness = sum([ind.fitness for ind in self.individuals])
        r = random.uniform(0, total_fitness)
        s = 0
        for ind in self.individuals:
            s += ind.fitness
            if s >= r:
                return ind

    # 交叉操作（单点交叉）
    def crossover(self, ind1, ind2):
        x1 = ind1.x
        x2 = ind2.x
        p = random.uniform(0, 1)
        x3 = p * x1 + (1 - p) * x2
        x4 = (1 - p) * x1 + p * x2
        ind3 = Individual(x3)
        ind4 = Individual(x4)
        return ind3, ind4

    # 变异操作（高斯变异）
    def mutation(self, ind, mutation_rate):
        x = ind.x
        if random.uniform(0, 1) < mutation_rate:
            x = x + random.gauss(0, 1)
        return Individual(x)

    # 进化过程
    def evolve(self, pc, pm):
        new_individuals = []
        for i in range(self.size//2):
            # 选择两个个体
            ind1 = self.selection()
            ind2 = self.selection()
            # 交叉
            if random.uniform(0, 1) < pc:
                ind3, ind4 = self.crossover(ind1, ind2)
            else:
                ind3, ind4 = ind1, ind2
            # 变异
            ind3 = self.mutation(ind3, pm)
            ind4 = self.mutation(ind4, pm)
            # 加入新种群
            new_individuals.append(ind3)
            new_individuals.append(ind4)
        self.individuals = new_individuals

if __name__ == '__main__':
    # 初始化种群
    pop = Population(10)
    # 迭代100次
    for i in range(100):
        # 进化种群
        pop.evolve(0.8, 0.2)
        # 打印最优个体
        best_ind = max(pop.individuals, key=lambda ind: ind.fitness)
        print('Generation {}: x={}, fitness={}'.format(i+1, best_ind.x, best_ind.fitness))

该实现中，个体类`Individual`包含一个基因`x`和一个适应度`fitness`；种群类`Population`包含一个个体列表`individuals`，以及选择、交叉、变异、进化等操作方法。在主函数中，我们初始化一个种群并进行100代进化，每次迭代后打印最优个体的信息。