我理解遗传算法。本文采用了这种算法。具体来说，你希望遗传算法做什么？优化什么的。我会给你一个标准的遗传算法程序供你参考：
本程序为遗传算法优化BP神经网络函数极值优化：
%%该代码是基于神经网络遗传算法的系统极值优化。
%%空环境变量
色度控制中心
清楚的
%%初始化遗传算法参数
%初始化参数
maxgen=100%进化代数，即迭代次数。
sizepop=20人口规模%
pcross=[0.4]；%交叉概率选择，介于0和1之间
pm utation=[0.2]；0和1之间的%变化概率选择
lenchrom=[1 1]；%每个变量的字符串长度，如果是浮点变量，则为1。
界限=[-5 5；-5 5];%数据范围
个体=struct('fitness '，zeros，sizepop)，' chrom '，[])；%将人口信息定义为一种结构。
avgfitness=[]；每一代人口的平均适合度百分比
best fitness=[]；%每一代人口的最佳适应度
best chrom=[]；最适合的染色体百分比
%%初始化群体计算适应值。
%初始化人口
对于i=1:sizepop
%随机产生一个群体。
个体. chrom(i，)=Code(lenchrom，bound)；
x=个体. chrom(i，)；
%计算适合度
个人.健身(I)=娱乐(x)；%染色体的适合度
目标
%找到最佳染色体
[best fitness best index]=min(personal . fitness)；
bestchrom=个体. chrom(bestindex，)；%的最佳染色体
avg fitness=sum(personal . fitness)/sizepop；%染色体的平均适合度
%记录每一代进化中的最佳适应度和平均适应度。
trace=[avg fitness best fitness]；
%%迭代优化
%进化开始。
对于i=1:maxgen
我
% select
个体=选择(个体，大小)；
avg fitness=sum(personal . fitness)/sizepop；
%交叉
personal . chrom=Cross(pcross，lenchrom，personal . chrom，sizepop，bound)；
%变化
lenchrom=突变(pmutation，lenchrom，personal . chrom，sizepop，[i maxgen]，bound)；
%计算适合度
对于j=1:sizepop
x=个体. chrom(j，)；%解码
个人.健身(j)=乐趣(x)；
目标
%找出适应度最小和最大的染色体及其在群体中的位置。
[newbestfitness，new best index]=min(personal . fitness)；
[worestfitness，worestindex]=max(personal . fitness)；
%取代了上次进化中最好的染色体。
if bestfitnessnewbestfitness
bestfitness=newbestfitness
bestchrom=个体. chrom(newbestindex，)；
目标
persist . chrom(worestindex，)=best chrom；
persist . fitness(worestindex)=best fitness；
avg fitness=sum(personal . fitness)/sizepop；
trace=[trace；avgfitness best fitness]；%记录每一代进化中的最佳适应度和平均适应度。
目标
%进化结束。
%%结果分析
[r c]=大小(轨迹)；
地块([1:r]'，迹线(:2)，' r-')；
标题('健身曲线'，' fontsize '，12)；
Xlabel('进化代数'，' fontsize '，12)；Ylabel ('fitness '，' fontsize '，12)；
轴([0，100，0，1])
disp(' fitness variable ')；
x=bestchrom
%窗口显示
disp([best fitness x])；