假设我们有一条直线高速公路，电动汽车的行驶里程固定，考虑充电站的位置和数量。用遗传算法编写代码，尝试在最少的位置上放置充电站，来满足所有的充电需求。

好的，这个问题可以建立一个数学模型，然后再用遗传算法来进行优化求解。我们假设该高速公路为一条线段，起点为0，终点为L，电动汽车的行驶里程为d，需要在该线段上选择尽可能少的位置来放置充电站，使得所有的汽车都能在行驶里程内到达充电站。

为了方便，我们将充电站的位置看作二进制编码的染色体。比如，如果我们将该线段等分成N个位置，则每个充电站的位置可以用一个长度为N的二进制串来表示，其中1表示该位置有充电站，0表示没有。因此，一个染色体可以用一个长度为N的二进制串来表示，其中的每一位表示该位置是否有充电站。

接下来，我们需要定义适应度函数来评估每个染色体的适应度。我们可以用以下公式来计算染色体的适应度：

fitness = 1 / (1 + k * num_stations)

其中，num_stations表示染色体中1的个数，也就是充电站的数量，k是一个系数，用来控制充电站数量的重要性。适当调整k的值可以得到更好的结果。

然后，我们可以使用遗传算法来进行优化求解。具体来说，可以采用如下步骤：

1. 随机生成一组初始种群，每个个体（染色体）都是一个长度为N的二进制串，表示充电站的位置。

2. 计算每个个体的适应度，根据适应度进行选择、交叉和变异操作，生成下一代种群。

3. 对新的种群重复步骤2，直到达到指定的迭代次数或找到满足要求的染色体。

4. 返回适应度最高的染色体作为最优解。

需要注意的是，为了避免陷入局部最优解，我们可以采用多次随机初始化种群的策略，每次都从不同的起点开始搜索，最后取适应度最高的染色体作为最终结果。

以上就是用遗传算法解决充电站位置优化问题的一般方法。在具体实现时，需要根据具体情况进行调整和优化，比如选择合适的交叉和变异方式，调整适应度函数中的参数等。