这个F根据他原文的描述很明显是适应度值，一个种群中有pop个个体，用i来表示，j是代表维度，y（i）是代表种群中的任一个体，那么再读读这句话“Fri表示第t次迭代中任意一只黑翅鸢得到的第j维随机位置的适应度值。”这句话明显有问题，首先适应度值是个体的适应度值，个体可以这么叫，个体中各个维度的那不叫适应度值（fitness value），叫值（value），个体中各个维度的值共同作用于目标函数得到适

python函数type()查看数据类型学习

按 照模式理论，选择算子对种群实行“优胜劣汰”，而适应度高的个体会很快充 满交配池，适应度低的个体即被淘汰，但是适应度低的个体所含有的模式可 能是优良的，在淘汰适应度较低的个体的同时，可能把较好的模式也淘汰掉 了，这样使得整个搜索趋势走向局部较优解，种群因缺乏好的基因物质而找 不到全局最优解。规模过小，则没有足够的基因来寻优。但一直以来，遗传算法的理 论分析相对缺乏，进而对遗传算法的应用发展缺乏相

为了获得更大的找到最优解的期望，算法中一定要有足够的随机性。对于目前的一些问题，可能会出现较多的局部最优解，而启发式优化算法一般情况下只会找到一个局部最优或者全局最优，此时，我们可以考虑设计算法，使得其能够保证在优化过程中记录不同搜索空间的局部最优，在这些局部最优点中重新去迭代优化，这样个人感觉迭代优化会更快一些，这就是与禁忌搜索算法结合起来。找到局部最优解的过程就是集中性的一种体现，集中性越强，

按 照模式理论，选择算子对种群实行“优胜劣汰”，而适应度高的个体会很快充 满交配池，适应度低的个体即被淘汰，但是适应度低的个体所含有的模式可 能是优良的，在淘汰适应度较低的个体的同时，可能把较好的模式也淘汰掉 了，这样使得整个搜索趋势走向局部较优解，种群因缺乏好的基因物质而找 不到全局最优解。规模过小，则没有足够的基因来寻优。但一直以来，遗传算法的理 论分析相对缺乏，进而对遗传算法的应用发展缺乏相