遗传算法简要代码

遗传规划（Genetic Programming, GP）是一种基于自然选择和遗传学原理的自动化优化技术，它是遗传算法（Genetic Algorithm, GA）的扩展。遗传规划通常用于解决复杂的优化问题、自动编程、机器学习模型的构建等领域。 遗传规划的基本思想是通过模拟自然界中生物的进化过程来搜索最优解。这个过程包括以下几个主要步骤：

1. 初始化：随机生成一组解决方案（称为个体），每个个体都是问题的一个潜在解决方案。在编程中，个体通常表示为树结构，树的节点代表操作符，叶子节点代表操作数。

2. 评估：对每个个体进行评估，以确定其适应度。适应度函数根据问题的具体需求来设计，它衡量个体解决问题的能力。

3. 选择：根据适应度对个体进行选择。适应度高的个体有更大的概率被选中进入下一代。

4. 交叉：通过交叉操作产生新的个体。交叉可以是单点交叉、多点交叉或均匀交叉等，其目的是将两个个体的优秀特性结合起来，生成新的个体。

5. 变异：对个体进行变异操作，以增加种群的多样性。变异可以改变树结构中的节点或叶子节点的值。

6. 迭代：重复评估、选择、交叉和变异的过程，直到满足终止条件（如达到预定的迭代次数或适应度达到某个阈值）。

遗传规划的关键优势在于它不需要问题的具体数学模型，而是通过模拟自然进化过程来自动发现问题的解决方案。这使得遗传规划非常适合解决那些难以用传统方法建模的复杂问题。

遗传规划在许多领域都有应用，例如：

• 自动编程：自动生成解决特定问题的程序或代码片段。
• 控制系统：设计优化控制策略，如神经网络的权值和结构。
• 机器学习：构建分类器、预测模型等。
• 金融：发现交易策略、风险管理模型等。

遗传规划是一个强大的工具，但它也有一些局限性，如可能需要较长的计算时间，且结果可能受到初始种群、适应度函数设计、选择、交叉和变异策略等参数的影响。因此，在使用遗传规划时，需要仔细调整这些参数，以获得最佳性能。

# 适应度函数
def fitness_function(x):
    return x**2

# 评估种群
def evaluate_population(population):
    fitness_values = []
    for individual in population:
        # 解码个体为实数值
        x = sum([2**i * x for i, x in enumerate(individual)])
        # 计算适应度
        fitness = fitness_function(x)
        fitness_values.append(fitness)
    return fitness_values

# 初始化种群，二进制
population = [[random.randint(0, 1) for _ in range(GENOME_LENGTH)] for _ in range(POP_SIZE)]

# 遗传算法的主要循环
for generation in range(MAX_GENERATIONS):
    # 评估种群
    fitness_values = evaluate_population(population)
    # 选择过程（轮盘赌选择）
    probabilities = [f / sum(fitness_values) for f in fitness_values]
    new_population = []
    for _ in range(POP_SIZE // 2):
        parent1_index = random.choices(range(POP_SIZE), weights=probabilities)[0]
        parent2_index = random.choices(range(POP_SIZE), weights=probabilities)[0]
        # 交叉过程
        crossover_point = random.randint(1, GENOME_LENGTH - 1)
        child1 = population[parent1_index][:crossover_point] + populations[parent2_index][crossover_point:]
        child2 = populations[parent2_index][:crossover_point] + populations[parent1_index][crossover_point:]
        new_population.extend([child1, child2])
    # 变异过程
    for individual in new_population:
        for i in range(GENOME_LENGTH):
            if random.random() < 0.01:  # 变异概率
                individual[i] = 1 - individual[i]
    # 更新种群
    population = new_population

    # 记录最佳适应度
    best_fitness = max(fitness_values)
    print(f"Generation {generation}: Best Fitness = {best_fitness}")

# 输出最终的最佳适应度和对应的个体
best_index = fitness_values.index(max(fitness_values))
best_individual = population[best_index]
print(f"Best Individual: {best_individual}, Best Fitness: {best_fitness}")