遗传算法是基于进化论在计算机上模拟生命进化机制而发展起来的一类的最优化算法，它根据适者生存、优胜劣汰等自然进化规则搜索和计算问题的解。该领域最早是由美国 Michigen 大学的 John Holland 于 1975 年提出的。遗传算法的基本思想是，从一个代表最优化问题解的一组初值开始进行搜索，这组解称为一个种群，种群由一定数量、通过基因编码的个体组成，其中每一个个体称为染色体，不同个体通过染色体的复制、交叉或变异又生成新的个体，依照适者生存的规则，个体也在一代一代进化，通过若干代的进化最终得出条件最优的个体。本节以一个较好的 MATLAB 工具箱 ―― 遗传算法最优化工具箱为主要工具，先介绍遗传算法的基本概念，然后通过例子介绍其在求解最优化问题中的应用。本节还将介绍粒子群优化算法及应用。 
和最优化工具箱不同， gaopt() 函数能求解的问题是最大值问题，所以在编写目标函数时应该注意。 gaopt() 函数最基本的调用格式为： 
[a,b,c] = gaopt(bound,fun) 
MATLAB 的全局优化工具箱也提供了遗传算法求解函数 ga()，其调用格式与最优化工具箱中的相应函数类似，可以同样利用遗传算法处理最优化问题。该函数的调用格式为 [x,f ,flag,out] = ga(fun,n,opts)。 
遗传算法求解函数 ga() 还可以用于混合整数规划问题的求解，其完整的语句调用格式为 [x,a,key] = ga(f ,n,A,B,[],[],xm,xM,f1,options,vi) ，其中，由 ga() 函数求解混合整数规划问题，目前只能求解不含有等式约束的问题，非线性约束 f1 函数也不能含有等式约束。

1.
给定 

试求出 f(x) 取最大值时 x 的值