遗传算法求解无约束单目标优化问题变量x1、x2的python代码

以下是一个遗传算法求解无约束单目标优化问题（包含两个变量x1和x2）的Python代码示例：

import random

# 定义目标函数
def fitness(x1, x2):
    return (x1 - 2)**2 + (x2 + 3)**2

# 遗传算法参数设置
pop_size = 50   # 种群大小
num_generations = 100   # 迭代次数
mutation_rate = 0.1   # 变异率
crossover_rate = 0.8   # 交叉率

# 生成初始种群
population = []
for i in range(pop_size):
    x1 = random.uniform(-10, 10)
    x2 = random.uniform(-10, 10)
    population.append((x1, x2))

# 遗传算法主循环
for generation in range(num_generations):
    # 计算适应度并排序
    fitness_scores = [(fitness(x1, x2), x1, x2) for (x1, x2) in population]
    fitness_scores.sort(reverse=True)
    
    # 输出当前最优解
    print("Generation {}: Best fitness = {:.4f}, Best solution = ({:.4f}, {:.4f})".format(generation, fitness_scores[0][0], fitness_scores[0][1], fitness_scores[0][2]))
    
    # 选择
    elite_size = int(pop_size * 0.2)   # 精英数量
    parents = [(x1, x2) for (_, x1, x2) in fitness_scores[:elite_size]]   # 选择精英父母
    for i in range(pop_size - elite_size):
        parent1 = random.choice(parents)
        parent2 = random.choice(parents)
        
        # 交叉
        if random.random() < crossover_rate:
            x1_child = (parent1[0] + parent2[0]) / 2
            x2_child = (parent1[1] + parent2[1]) / 2
        else:
            x1_child = parent1[0]
            x2_child = parent1[1]
        
        # 变异
        if random.random() < mutation_rate:
            x1_child += random.gauss(0, 1)
            x2_child += random.gauss(0, 1)
        population[i + elite_size] = (x1_child, x2_child)

# 输出最终结果
fitness_scores = [(fitness(x1, x2), x1, x2) for (x1, x2) in population]
fitness_scores.sort(reverse=True)
print("Final solution: ({:.4f}, {:.4f}), fitness = {:.4f}".format(fitness_scores[0][1], fitness_scores[0][2], fitness_scores[0][0]))

在这个代码中，我们首先定义了目标函数 `fitness(x1, x2)`，然后设置了遗传算法的参数，包括种群大小、迭代次数、变异率和交叉率。接着我们生成了初始种群，然后开始遗传算法的主循环。在每一次迭代中，我们计算了种群中每个个体的适应度，并对它们进行排序，然后输出当前最优解。接着进行选择、交叉和变异操作，生成下一代种群，直到迭代次数达到设定值为止。最后输出最终的最优解。

需要注意的是，由于这个问题包含两个变量，因此在代码中需要相应地进行修改，包括生成初始种群、计算适应度、选择、交叉和变异操作等。