遗传算法是一种基于自然选择和遗传机制的优化算法，在解决复杂的优化问题方面具有广泛的应用。本文将介绍遗传算法的基础概念，并通过一个 Java 实例来展示其实现过程。

遗传算法的核心思想是模拟生物进化的过程。它从一个初始的种群开始，每个个体都代表问题的一个潜在解。通过适应度函数来评估每个个体的优劣，适应度高的个体更有可能被选择进行遗传操作，如交叉和变异，从而产生新的个体，逐步优化种群，最终找到最优解。

在遗传算法中，个体通常用编码的形式表示。常见的编码方式有二进制编码、实数编码等。交叉操作是将两个父代个体的部分基因组合，产生新的子代个体，以增加种群的多样性。变异操作则是对个体的基因进行随机改变，防止算法过早收敛。

下面通过一个简单的 Java 实例来实现遗传算法求解函数的最大值问题。

import java.util.Random;

public class GeneticAlgorithm {

    private static final int POPULATION_SIZE = 100;
    private static final double MUTATION_RATE = 0.01;
    private static final int GENERATIONS = 100;

    public static void main(String[] args) {
        Random random = new Random();

        // 初始化种群
        double[] population = new double[POPULATION_SIZE];
        for (int i = 0; i < POPULATION_SIZE; i++) {
            population[i] = random.nextDouble() * 10;
        }

        for (int generation = 0; generation < GENERATIONS; generation++) {
            // 计算适应度
            double[] fitness = new double[POPULATION_SIZE];
            for (int i = 0; i < POPULATION_SIZE; i++) {
                fitness[i] = evaluateFitness(population[i]);
            }

            // 选择操作
            double[] selectedPopulation = selection(population, fitness);

            // 交叉操作
            double[] crossedPopulation = crossover(selectedPopulation);

            // 变异操作
            double[] mutatedPopulation = mutation(crossedPopulation, MUTATION_RATE);

            population = mutatedPopulation;
        }
    }

    private static double evaluateFitness(double x) {
        return -x * x + 5 * x + 10;
    }

    private static double[] selection(double[] population, double[] fitness) {
        // 实现选择操作
        return null;
    }

    private static double[] crossover(double[] selectedPopulation) {
        // 实现交叉操作
        return null;
    }

    private static double[] mutation(double[] crossedPopulation, double mutationRate) {
        // 实现变异操作
        return null;
    }
}

上述代码只是一个简单的框架，其中的选择、交叉和变异操作需要根据具体问题进行实现。

遗传算法是一种强大的优化工具，通过理解其基础概念并结合实际问题进行实现，可以有效地解决各种复杂的优化问题。