遗传算法是一种模拟生物进化过程的搜索算法。在遗传算法中，个体（即解）是问题的潜在解决方案的表示，而适应度函数则评估个体的优劣。遗传算法通过选择、交叉和变异操作来生成新的个体，从而逐步逼近问题的最优解。

遗传算法的主要步骤如下：

1. 初始化种群：随机生成一定数量的初始个体，每个个体代表一个问题的一个可能解决方案。

2. 计算适应度：对每个个体进行评估，根据适应度函数计算其适应度值。适应度值越高，表明该个体越优。

3. 选择操作：根据适应度值，从种群中选择一定数量的个体作为后代。常用的选择方法有轮盘赌选择、锦标赛选择等。

4. 交叉操作：将选中的个体进行交叉操作，生成新的个体。交叉操作可以采用单点交叉、多点交叉、均匀交叉等方法。

5. 变异操作：对新生成的个体进行微小的变异操作，以增加种群的多样性。常见的变异方法有插入、交换、倒位等。

6. 迭代终止条件：设定最大迭代次数或适应度值达到预设阈值时，结束算法。

7. 输出结果：输出最优个体及其对应的适应度值，即为问题的最优解。

遗传算法在排班问题中的应用示例：

假设有一个车间需要安排生产任务，每个工位每天只能完成一个任务。要求在满足生产需求的前提下，尽量平衡各个工位的工作负荷，提高生产效率。我们可以将工位看作问题的一个解空间，每个工位的工作时长看作个体的特征，工作时长越短，表示该工位的效率越高。

我们可以定义一个适应度函数，用于评估不同工位组合的工作效率。例如，可以将每个工位的工作时长作为适应度值，工作时长越短，适应度值越高。

接下来，我们使用遗传算法进行求解。首先初始化种群（即所有工位的工作时长），然后根据适应度函数计算每个个体的适应度值。接着进行选择、交叉和变异操作，生成新的个体。重复以上步骤直到满足迭代终止条件。最后，输出最优个体及其对应的适应度值，即为问题的最优解。遗传算法排班-Java版