遗传算法是一种优化算法，通常用于寻找最优解或近似最优解。下面是一个使用Python实现遗传算法的简单示例：

```python

import random

# 定义问题的目标函数和约束条件

def objective(x):

return sum(x)

def constraint(x):

return sum(x) - 100

# 初始化种群

population = [random.uniform(-5,5) for i in range(popsize)]

# 遗传算法参数设置

mutation_rate = 0.1 # 变异率

crossover_rate = 0.8 # 交叉率

# 迭代次数

maxiter = 100

# 迭代过程

for i in range(maxiter):

# 计算每个个体的适应度

fitness = [objective(x) for x in population]

# 选择

parents = []

for j in range(popsize):

if random.uniform(0, 1) < crossover_rate:

parent1 = population[j]

parent2 = population[int(random.uniform(0, popsize-1))]

child = parent1 + parent2

parents.append(child)

else:

parents.append(population[j])

# 交叉

offspring = []

for j in range(popsize):

if random.uniform(0, 1) < mutation_rate:

offspring.append(parents[j])

else:

offspring.append(parents[j])

# 更新种群

population = parents + offspring

# 迭代计数器加1

iterations += 1

# 输出最优解

best_fitness = max(population, key=lambda x: objective(x))

print("最优解：", best_fitness)

```

在这个示例中，我们首先定义了问题的目标函数和约束条件。然后，我们初始化一个大小为`popsize`的种群，并设置一些遗传算法参数。接下来，我们进行了`maxiter`次迭代，其中包括选择、交叉和变异。最后，我们输出了最优解。

请注意，这只是一个简单的示例，您可以根据自己的需求进行修改和扩展。