遗传算法--函数最值问题

利用遗传算法计算函数最值

在对人工智能的学习过程中，初次接触到遗传算法，在这里记录一下我的学习过程和一些思考。
以下是我学习和参考的资料，下文中涉及的问题、内容和求解方法均来源于以下资料：

关于利用遗传算法解决函数最值问题的相关博客
关于遗传算法原理的讲解

刚开始接触遗传算法时，我觉得很抽象，难以理解，但经过实际问题的演练后，逐渐明白了其中的一点点原理。特别是函数最值问题，可以形象地类比为种群在环境中的生存问题。在遗传算法中，确定适应度函数是非常关键的。针对函数最值问题，适应度函数可以简单地选择原函数，自变量则对应种群中的个体。在求最大值的问题中，函数值即对应个体的适应度，适应度越高的个体就越容易存活。每一轮的迭代过程中，适应度低的个体会被淘汰。同时，为了削减初始值对最终结果的影响，需设定个体突变的概率。简单来说，适应度对应函数值，适应度函数对应目标函数，个体染色体编码对应自变量的值，生存环境对应我们设计的筛选规则。下面开始解决一个小问题。

考虑以下函数：

在区间（0，9）求函数最大值。

以下是我学习参考的代码，在原代码（上文第一个链接）基础上做了一点点修改：

import numpy as np
import matplotlib.pyplot as plt

# 适应度函数，即目标函数
def fitness(x):
    return x + 10 * np.sin(5 * x) + 7 * np.cos(4 * x)

# 个体类
class indivdual:
    def __init__(self):    #初始化定义
        self.x = 0  # 染色体编码，自变量
        self.fitness = 0  # 适应度值，因变量

    def __eq__(self, other):  #赋值定义
        self.x = other.x
        self.fitness = other.fitness


# 初始化种群函数，N为种群内个体数，pop为种群
def initPopulation(pop, N):
    for i in range