遗传算法概念：
基于达尔文的进化论，物竞天择，适者生存；认为生物总是向着更加贴合于环境的方向进化；通过各种基因
的遗传、杂交、变异、复制等手段，慢慢使整个种群更加贴合于自然环境；遗传算法也是模拟生物的遗传、
杂交、变异、复制手段逐渐进化为最优解！
名词概念解析：
基因和染色体：
染色体在数学建模上可以看作是可行解，例如 3x+4y+5z<100，它的可行解为[1,2,3]、[1,3,2]、[3,2,1]，那么
这个可行解就是它的染色体。每一个染色体有无数个基因控制，所以在这些可行解中，里面的每一元素称之
为基因。
适应度函数:
在自然界中，生物的进化总是遵循优胜略汰，适者生存；一些适应不了环境的个体和染色体逐渐被淘汰，而
那些基因强大，能够很好的适应环境的个体和染色体则被保留和遗传；同样遗传算法 中的适应度函数就扮演
者这个 优胜略汰，适者生存 的角色，在运行过程中，会进行多次迭代，每一迭代都会产生多个染色体即可行
解，适应度函数会为每一个染色体打分，适应度高的保留，适应度低的淘汰，这样会使整个解种群的染色体
更加优良。更加贴近环境。
交叉：
遗传算法每一次迭代都会产生n条染色体，我们称之为进化，每一次进化所需要的染色体从哪来，这里就要引
入交叉的概念，可以理解为交配；交叉过程需要选择两条染色体，一个充当母亲，一个充当父亲；将这两条
染色体从某一结点切开，再组合在一起，组成一个新的染色体；这样新染色体既包含了父亲的其因也包含了
母亲的基因。
但是如何从上一代选出父母基因呢！可以通过轮盘赌算法来实现适应度越高的染色体被选中的概率越高，公
式如下：
染色体i被选择的概率 = 染色体i的适应度 / 所有染色体的适应度之和
变异:
交叉能保证每次进化留下优良的基因，但它仅仅是对原有的结果集进行选择，基因还是那么几个，只不过交
换了他们的组合顺序。这只能保证经过N次进化后，计算结果更接近于局部最优解，而永远没办法达到全局
最优解，为了解决这一个问题，我们需要引入变异。变异很好理解。当我们通过交叉生成了一条新的染色体
后，需要在新染色体上随机选择若干个基因，然后随机修改基因的值，从而给现有的染色体引入了新的基
因，突破了当前搜索的限制，更有利于算法寻找到全局最优解。
复制
为了保证上一代的优良染色体，会将上一代适应度最高的几条染色体原封不动的复制给下一代
算法思路
1. 算法初期阶段会随机生成一组可行解，就是祖先代染色体
2. 采用适应度函数计算每一条染色体的适应度，并根据适应度计算再下一次进化中被选中当作父体母体的
概率。
3. 通过交叉产生N-M条染色体
