智能优化算法——遗传算法（Python&Matlab实现）[2]，Python推送技术解析

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Python全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Python知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024c （备注Python）

正文

=适应度函数,求取最大、小值==

def fitness(x):

return xnp.cos(5np.pi*x)+3.5 #最大

#return -(x * np.cos(5 * np.pi * x) + 3.5)# 最小

=个体类========

class indivdual:

def init(self):

self.x = 0 # 染色体编码

self.fitness = 0 # 个体适应度值

def eq(self, other):

self.x = other.x

self.fitness = other.fitness

=初始化种群=======

pop为种群适应度存储数组，N为个体数

def initPopulation(pop, N):

for i in range(N):

ind = indivdual() # 个体初始化

ind.x = np.random.uniform(-1, 2.5) # 个体编码。-10,10的正态分布，可以自己设定限定边界

ind.fitness = fitness(ind.x) # 计算个体适应度函数值

pop.append(ind) # 将个体适应度函数值添加进种群适应度数组pop

选择过程========

def selection(N):

种群中随机选择2个个体进行变异（这里没有用轮盘赌，直接用的随机选择）

return np.random.choice(N, 2)

=结合/交叉过程===========

def crossover(parent1, parent2):

child1, child2 = indivdual(), indivdual() # 父亲，母亲初始化

child1.x = 0.9 * parent1.x + 0.1 * parent2.x # 交叉0.9,0.1，可以设置其他系数

child2.x = 0.1 * parent1.x + 0.9 * parent2.x

child1.fitness = fitness(child1.x) # 子1适应度函数值

child2.fitness = fitness(child2.x) # 子2适应度函数值

return child1, child2

=变异过程======

def mutation(pop):

种群中随机选择一个进行变异

ind = np.random.choice(pop)

用随机赋值的方式进行变异

ind.x = np.random.uniform(-1, 2.5)

ind.fitness = fitness(ind.x)