使用遗传算法来寻找使foo(x,y,z)的输出接近于25的值

import random

# 定义需要最小化的目标函数
def foo(x,y,z):
    return 6*x**3 + 9*y**2 + 90*z - 25

# 定义适应度函数（用于评估解的好坏）
def fitness(x,y,z):
    ans = foo(x,y,z)  # 引入目标函数的解

    if ans == 0:
        return 99999
    else:
        return abs(1/ans)
   
# 生成初始x,y,z的解（随机生成10000个解）
solutions = []
for s in range(1000):
    solutions.append((random.uniform(0,10000),
                      random.uniform(0,10000),
                      random.uniform(0,10000)))

# 迭代求解    
# 使用一个循环迭代1000次，每次迭代都重新评估和排序解
for i in range(10000):

    rankedsolutions = []
    for s in solutions:
        rankedsolutions.append((fitness(s[0],s[1],s[2]),s))
    rankedsolutions.sort()
    rankedsolutions.reverse()

# 每次迭代后，输出当前最佳解的信息
    print(f"=== Gen{i} best solutions ===")
    print(rankedsolutions[0])

    bestsolutions = rankedsolutions[:100]

    #创建一个新的种群，该种群是通过从最佳解中随机选择元素并进行微小的随机变化生成的（遗传算法中的交叉和变异）
    elements = []
    for s in bestsolutions:
        elements.append(s[1][0])
        elements.append(s[1][1])
        elements.append(s[1][2])

    newGen = []
    for _ in range(1000):
        e1 = random.choice(elements) * random.uniform(0.99,1.01)
        e2 = random.choice(elements) * random.uniform(0.99,1.01)
        e3 = random.choice(elements) * random.uniform(0.99,1.01)

        newGen.append((e1,e2,e3))
   
    rankedsolutions = newGen

def foo(x,y,z):
    return 6*x**3 + 9*y**2 + 90*z - 25

def fitness(x,y,z):
    ans = foo(x,y,z)

    if ans == 0:
        return 99999
    else:
        return abs(1/ans)

solutions = []
for s in range(1000):
solutions.append((random.uniform(0,10000),
random.uniform(0,10000),
random.uniform(0,10000)))

for i in range(10000):
    rankedsolutions = []
for s in solutions:
    rankedsolutions.append((fitness(s[0],s[1],s[2]),s))
rankedsolutions.sort()
rankedsolutions.reverse()
    bestsolutions = rankedsolutions[:100]