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)