遗传算法是一种优化算法，通常用于寻找最优解或近似最优解。下面是一个使用Python实现遗传算法的简单示例：
```python
import random
# 定义问题的目标函数和约束条件
def objective(x):
return sum(x)
def constraint(x):
return sum(x) - 100
# 初始化种群
population = [random.uniform(-5,5) for i in range(popsize)]
# 遗传算法参数设置
mutation_rate = 0.1 # 变异率
crossover_rate = 0.8 # 交叉率
# 迭代次数
maxiter = 100
# 迭代过程
for i in range(maxiter):
# 计算每个个体的适应度
fitness = [objective(x) for x in population]
# 选择
parents = []
for j in range(popsize):
if random.uniform(0, 1) < crossover_rate:
parent1 = population[j]
parent2 = population[int(random.uniform(0, popsize-1))]
child = parent1 + parent2
parents.append(child)
else:
parents.append(population[j])
# 交叉
offspring = []
for j in range(popsize):
if random.uniform(0, 1) < mutation_rate:
offspring.append(parents[j])
else:
offspring.append(parents[j])
# 更新种群
population = parents + offspring
# 迭代计数器加1
iterations += 1
# 输出最优解
best_fitness = max(population, key=lambda x: objective(x))
print("最优解：", best_fitness)
```
在这个示例中，我们首先定义了问题的目标函数和约束条件。然后，我们初始化一个大小为`popsize`的种群，并设置一些遗传算法参数。接下来，我们进行了`maxiter`次迭代，其中包括选择、交叉和变异。最后，我们输出了最优解。
请注意，这只是一个简单的示例，您可以根据自己的需求进行修改和扩展。
