init_solution=generate_init_solution()

贪心算法产生初始解

print(init_solution)

population=[init_solution]+[random.sample(init_solution,len(init_solution)) for i in range(population_size*2-1)]

population= sorted(population, key=lambda x: calculate_fitness(x), reverse=False)[:population_size//2]

population=[init_solution]+[random.sample(init_solution,len(init_solution)) for i in range(population_size-1)]

迭代寻优

for _ in range(n_generations): # 选择（3元锦标赛） 两两比较 选1半 population=tournament_selection(population) offspring=population.copy() # 保留优秀父代population

# 交叉   用population
num_list=list(range(len(offspring)))
for i in range(0, len(offspring)//2):  # 以步长为2依次选取两个染色体
    a,b=random.sample(num_list,2)
    chromosome1 = offspring[a]
    chromosome2 = offspring[b]
    #print(chromosome1,chromosome2)
    if random.random() < crossover_probability:# 局部匹配交叉
        new_chromosome1,new_chromosome2=cx_partialy_matched(chromosome1, chromosome2)
        #print(new_chromosome1,new_chromosome2)
        offspring[a] = new_chromosome1
        offspring[b] = new_chromosome2
    num_list.remove(a)
    num_list.remove(b)
    
# 变异(反转\交换二选一)
for mutant in offspring:
     if random.random() < mutation_probability:
         if random.random()<0.5: # 反转变异  均匀变异--按照0.2固定的概率对每个基因进行随机变异
            mutant = reverse_mutation(mutant, indpb=0.2) # 对个体进行反转变异   
         else:  # 交换变异
            mutant =swap_mutation(mutant, indpb=0.2)  # 对个体进行交换变异
# 将变异后的子代和父代合并，形成下一代种群
population=population + offspring #50+50

输出结果

best_solution=population[0]

这个算法可能存在以下问题：

1. 种群数量较小：种群数量只有50个，可能不足以保证全局最优解的探索。

2. 遗传算子的选择：该算法采用的是局部匹配交叉和交换、反转二选一的变异方式，但是这些遗传算子的效果可能不如其他算子，需要根据具体问题进行选择。

3. 算法收敛速度慢：该算法只有一个初始解，可能无法快速探索到更优解，需要增加多个初始解或者采用其他启发式算法进行初始解的生成。同时，在交叉、变异等操作中也可能存在局部最优解的问题，导致算法收敛速度慢。