Python实战开发及案例分析（16）—— 遗传算法

        遗传算法（Genetic Algorithm, GA）是一种模拟自然选择和遗传学原理的搜索启发式算法。它们通常用于解决优化和搜索问题，基于“适者生存”的自然选择概念，通过选择、交叉（杂交）、变异操作在一系列迭代中逐步优化解决方案。

遗传算法的主要组成部分：

1. 种群（Population）：解决方案的集合。
2. 适应度函数（Fitness Function）：衡量个体适应环境的好坏。
3. 选择（Selection）：选择适应度好的个体繁殖。
4. 交叉（Crossover）：交换某些个体的部分基因，产生新的个体。
5. 变异（Mutation）：随机改变个体的某些基因，增加种群的多样性。

Python 实现：简单遗传算法

案例分析：最大化一个简单的数学函数

        我们将使用遗传算法来最大化函数 𝑓(𝑥)=𝑥^2，其中 𝑥x 在某个范围内，例如 [0, 31]。

Python 实现：

import random

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

# 选择
def select(population, scores, k=3):
    # 轮盘赌选择
    selection_ix = random.randint(0, len(population)-1)
    for ix in random.sample(range(len(population)), k):
        if scores[ix] > scores[selection_ix]:
            selection_ix = ix
    return population[selection_ix]

# 交叉
def crossover(p1, p2, r_cross):
    # 单点交叉
    c1, c2 = p1.copy(), p2.copy()
    if random.random() < r_cross:
        pt = random.randint(1, len(p1)-2)
        c1 = p1[:pt] + p2[pt:]
        c2 = p2[:pt] + p1[pt:]
    return [c1, c2]

# 变异
def mutation(bitstring, r_mut):
    for i in range(len(bitstring)):
        if random.random() < r_mut:
            bitstring[i] = 1 - bitstring[i]

# 遗传算法
def genetic_algorithm(objective, n_bits, n_iter, n_pop, r_cross, r_mut):
    # 初始种群
    population = [[random.randint(0, 1) for _ in range(n_bits)] for _ in range(n_pop)]
    best, best_eval = 0, objective(int("".join(str(x) for x in population[0]), 2))
    for gen in range(n_iter):
        # 评估所有候选
        scores = [objective(int("".join(str(x) for x in candidate), 2)) for candidate in population]
        for i in range(n_pop):
            if scores[i] > best_eval:
                best, best_eval = population[i], scores[i]
                print(">%d, new best f(%s) = %f" % (gen, "".join(str(x) for x in population[i]), scores[i]))
        # 选择下一代
        selected = [select(population, scores) for _ in range(n_pop)]
        # 创建下一代
        children = list()
        for i in range(0, n_pop, 2):
            p1, p2 = selected[i], selected[i+1]