基本概念
最优化问题可分为两类，一类是求最大值，一类是求最小值，这里的最大最小指的是目标函数，当然通常也把目标函数叫适应度；
而遗传算法本身是求最大值的，因为优胜劣汰，得到的是适应度最大的个体；
如果想求最小值，就需要做适应度函数变换；
如果目标函数之间差别很小，个体被选择的概率也就相差不大，这样算法的选择功能将被大大弱化，此时也可作适应度函数变换；
如果有其他需求，或者个性化设计，也需要适应度函数变换；
适应度函数变换也叫 标定
适应度（目标函数）的设计 和 适应度函数变换 是 两码事
函数设计的基本思想
适应度函数(目标函数)
目标函数的设计主要是结合业务，可分为单目标和多目标
设计不当有可能出现欺骗问题：
（1）进化初期，个别超常个体控制选择过程；
（2）进化末期，个体差异太小导致陷入局部极值 ；
适应度函数变换
1. 适应度不能既有正又有负，这样算概率时没法算，为了方便计算，一般保证适应度全为正；
2. 适应度一般不为 0，因为 0 的概率为 0，永远不会被选择，没有意义；
3. 适应度函数变换的核心就是为了使得 适应度高的个体更容易被选择；
标定方法
方法很多，这里做个总结
线性变换
max：减去最小值的目的，一是防止出现负数，二是增加相对差别；
min：目标函数加负号，即取最小，最大值减去目标函数也是防止出现负数；
加上 ξ 是为了避免出现 0；
动态线性变换
把线性标定中 ξ改成了ξ的k次方，希望开始的时候，大家都有机会，而越到后面，越要保留优秀的个体
下面这张图挺不错的，虽然内容有重复，也贴上来
M 就是一个初始值，可为 1， 也可不为 1，ξk € [0, 1]
其他标定
以下方法不太常用，包括 幂律标定、对数标定、指数变换、窗口技术、正规化技术、
参考资料：
https://blog.csdn.net/qcyfred/article/details/76731706 遗传算法（2）：对适应度函数的改进