genetic_algorithm:基于适用于特定数据集的适应度函数，用于发展深层神经网络的最佳结构的遗传算法框架的实现

变长遗传算法在深度学习中的高效超参数优化 这是Xiaoli Xiao，Ming Yan，Sunitha Basodi，Jiyan Yan，Pan Pan所著的的代码基础。 抽象的 卷积神经网络（CNN）在许多人工智能任务中都取得了巨大的成功。但是，为CNN找到良好的超参数集仍然是一项艰巨的任务。通常需要具有深厚知识，反复试验的专家。遗传算法已用于超参数优化。但是，具有固定长度染色体的传统遗传算法可能不适用于优化深度学习超参数，因为深度学习模型根据模型深度具有可变数量的超参数。随着深度的增加，超参数的数量呈指数增长，搜索变得越来越困难。重要的是要有一个有效的算法，可以在合理的时间内找到一个好的模型。在本文中，我们建议使用可变长度遗传算法（GA）来系统地自动调整CNN的超参数以提高其性能。实验结果表明，该算法可以有效地找到良好的CNN超参数。从我们的实验中可以清楚地看出，如果将更多的时间花费在