举出一个具体的例子，并写出MATLAB代码

好的，我们以一个简化的流水线装配问题为例来演示MATLAB代码。假设我们有3个工序和4个工件，每个工件需要按照特定的工序顺序进行装配，要求最小化总装配时间。

首先，我们需要定义问题的目标和约束条件。在这个例子中，我们的目标是最小化总装配时间，并且每个工件都必须按照指定的工序顺序进行装配。

接下来，我们可以按照以下步骤编写MATLAB代码：

% 参数设置
numGenes = 12; % 染色体长度，即总的工序数
numPop = 50; % 种群大小
maxIter = 100; % 最大迭代次数
mutationRate = 0.01; % 变异率

% 初始化种群
population = randi([1,numGenes], numPop, numGenes);

% 迭代优化
for iter = 1:maxIter
    % 计算适应度函数值
    fitness = calculateFitness(population);
    
    % 选择操作（轮盘赌选择）
    selectedIdx = rouletteWheelSelection(fitness);
    selectedPopulation = population(selectedIdx,:);
    
    % 交叉操作（单点交叉）
    offspringPopulation = crossover(selectedPopulation);
    
    % 变异操作
    mutatedPopulation = mutate(offspringPopulation, mutationRate);
    
    % 更新种群
    population = [selectedPopulation; mutatedPopulation];
end

% 计算最优解
fitness = calculateFitness(population);
[bestFitness, bestIdx] = min(fitness);
bestSolution = population(bestIdx,:);

在上述代码中，`calculateFitness`函数用于计算个体的适应度值，根据装配时间来评估个体的适应性。`rouletteWheelSelection`函数实现了轮盘赌选择算法，根据个体的适应度值选择父代个体。`crossover`函数实现了单点交叉操作，将父代个体进行交叉生成子代个体。`mutate`函数实现了变异操作，对子代个体进行随机位的翻转或替换。

最后，我们可以根据最终种群中适应度值最佳的个体，得到最优解。

请注意，以上代码只是一个简化的示例，实际问题中可能需要根据具体要求进行更多的调整和优化。希望对你有帮助！