python实现分离、自由组合规律的计算机模拟，并分别选样本数为10，50、200，500，1000的情况下，F1代四种表型的分布，进行拟合优度检验

在Python中，我们可以使用遗传算法（Genetic Algorithm，GA）或者模拟退火（Simulated Annealing，SA）等优化算法来模拟分离和自由组合规律。这里我们先假设我们是在模拟孟德尔的基因遗传，例如二进制编码的基因型表示两种表型。

首先，我们需要创建一个模拟种群，每个个体代表一个基因型，然后应用自然选择和交叉（重组）操作。在这个过程中，我们可以设定每个表型的概率，比如显性表型（AA、Aa）的概率高于隐性（aa）。

下面是简单的步骤：

1. 初始化一个大小为所选样本数的种群，其中每个个体由两个基因组成。
2. 对于每一代：
a. 计算每个表型的频率。
b. 使用交叉和变异操作生成新的个体。
c. 根据适应度评估（如F1分数），选择更适应的个体进入下一代。
3. 模拟多轮迭代，直到达到特定的停止条件（如最大迭代次数或收敛标准）。

对于不同样本数（10, 50, 200, 500, 1000），每次模拟的结果会有所不同，因为随机过程的影响更大。完成所有模拟后，可以绘制出各代不同样本数下的F1分数分布图，以及拟合优度检验，比如使用chi-square goodness-of-fit test（卡方拟合度检验）来验证模型是否良好地描述了实际数据。

import numpy as np
from scipy.stats import chi2_contingency

def simulate_segregation(sample_size):
    # ...模拟代码...

frequencies = []
for sample in [10, 50, 200, 500, 1000]:
    # 重复模拟多次，收集结果
    f1_distribution = simulate_segregation(sample)
    frequencies.append(f1_distribution)

# 对所有样本进行拟合优度检验
for dist in frequencies:
    chi_square_statistic, p_value, _, _ = chi2_contingency(dist.reshape(2, -1))
    print(f"Sample size {sample}: Chi-square statistic = {chi_square_statistic}, P-value = {p_value}")