【Python案例】(三)random随机数

import random

random.randrange(1,10) # 返回1-10之间的随机整数,不包括10
random.randint(1,10) # 返回1-10之间的一个随机数,包括10
random.randrange(0,100,2) # 随机选取0到100间的偶数
random.random() # 返回一个随机浮点数
random.choice("abce3&$2") # 返回一个给定数据集合中的随机字符
random.sample('abcsfdasfas',3) # 从多个字符中选取特定数量的字符


# 生成随机字符串
import string
"".join(random.sample(string.ascii_lowercase + string.digits, 6)) # 随机密码:英文字母加上数字,从中取6个,然后join起来


a = [1,2,3,4,5,6,7,8]
random.shuffle(a) #洗牌
  • 2
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
当然,我可以为您提供一个使用鲸鱼算法(Whale Algorithm)的Python案例。鲸鱼算法是一种基于自然界鲸鱼行为的启发式优化算法,常用于解决优化问题。 下面是一个简单的例子,展示如何使用鲸鱼算法求解一个经典的优化问题:函数的最小值。 ```python import random import math # 定义目标函数 def objective_function(x): return math.sin(x) * x # 定义鲸鱼算法 def whale_algorithm(iterations, search_space, population_size, a=2, b=1): population = [] for _ in range(population_size): x = random.uniform(search_space[0], search_space[1]) population.append(x) for iteration in range(iterations): for i in range(population_size): r1 = random.random() # 随机数 [0, 1) r2 = random.random() # 随机数 [0, 1) A = 2 * a * r1 - a # 加速系数 C = 2 * r2 # 收缩系数 l = random.uniform(-1, 1) # 随机数 [-1, 1) p = random.random() # 随机数 [0, 1) if p < 0.5: if abs(A) < 1: new_x = population[i] - A * abs(C * population[i] - population[l]) else: whale = population[random.randint(0, population_size - 1)] new_x = whale - A * abs(C * whale - population[i]) else: new_x = population[i] + random.uniform(-1, 1) * abs(search_space[1] - search_space[0]) # 更新位置 if objective_function(new_x) < objective_function(population[i]): population[i] = new_x # 返回最优解 return min(population, key=objective_function) # 设置优化参数 iterations = 1000 search_space = (-10, 10) population_size = 30 # 运行鲸鱼算法并输出结果 best_solution = whale_algorithm(iterations, search_space, population_size) best_fitness = objective_function(best_solution) print("最优解:", best_solution) print("最优解的目标函数值:", best_fitness) ``` 在上述代码中,我们首先定义了需要优化的目标函数 `objective_function`,这里以求解函数 `f(x) = sin(x) * x` 的最小值为例。然后,我们实现了鲸鱼算法的主要逻辑 `whale_algorithm`,其中包括初始化种群、迭代更新位置等步骤。最后,我们设置了优化参数,并通过调用 `whale_algorithm` 函数来运行算法,并输出最优解和最优解对应的目标函数值。 请注意,这只是一个简单的示例,实际应用中可能需要根据具体问题进行适当的调整和改进。希望对您有所帮助!

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值