基本概念
最優化問題可分為兩類，一類是求最大值，一類是求最小值，這里的最大最小指的是目標函數，當然通常也把目標函數叫適應度；
而遺傳算法本身是求最大值的，因為優勝劣汰，得到的是適應度最大的個體；
如果想求最小值，就需要做適應度函數變換；
如果目標函數之間差別很小，個體被選擇的概率也就相差不大，這樣算法的選擇功能將被大大弱化，此時也可作適應度函數變換；
如果有其他需求，或者個性化設計，也需要適應度函數變換；
適應度函數變換也叫 標定
適應度（目標函數）的設計 和 適應度函數變換 是 兩碼事
函數設計的基本思想
適應度函數(目標函數)
目標函數的設計主要是結合業務，可分為單目標和多目標
設計不當有可能出現欺騙問題：
（1）進化初期，個別超常個體控制選擇過程；
（2）進化末期，個體差異太小導致陷入局部極值 ；
適應度函數變換
1. 適應度不能既有正又有負，這樣算概率時沒法算，為了方便計算，一般保證適應度全為正；
2. 適應度一般不為 0，因為 0 的概率為 0，永遠不會被選擇，沒有意義；
3. 適應度函數變換的核心就是為了使得 適應度高的個體更容易被選擇；
標定方法
方法很多，這里做個總結
線性變換
max：減去最小值的目的，一是防止出現負數，二是增加相對差別；
min：目標函數加負號，即取最小，最大值減去目標函數也是防止出現負數；
加上 ξ 是為了避免出現 0；
動態線性變換
把線性標定中 ξ改成了ξ的k次方，希望開始的時候，大家都有機會，而越到后面，越要保留優秀的個體
下面這張圖挺不錯的，雖然內容有重復，也貼上來
M 就是一個初始值，可為 1， 也可不為 1，ξk € [0, 1]
其他標定
以下方法不太常用，包括 冪律標定、對數標定、指數變換、窗口技術、正規化技術、
參考資料：
https://blog.csdn.net/qcyfred/article/details/76731706 遺傳算法（2）：對適應度函數的改進