已知w=[0,1,1,1,1,1,1,1],h=[0,1.083,0.875,0.875,0.83,1.25,0.875,1.125],d=[520,370,551,5300,1000,2400,1300],tmin=[0,1.5,3.1,4.3,19,22.5,29,33],tmax=[0,2.5,4.5,6,23,25,30,34],V=[17,14,17,14,12,16,15],β=[72,40,75,42,38,60,50],vmin=[8.67,9.8,7.6,8.1,7.3,6.9, 6.5],vmax=[18,19.2,18.7,25.2,23.4,23.7,22],A=480,B=720,C=2.7,D=125000.1(x1,x2,x3,x4,x5,x6,x7)=A*∑((β(i)*d(i)*x(i))/(24*V(i)^3)+(D/720)*∑(d(i)/x(i))+B*T(x1,x2,x3,x4,x5,x6,x7)*C，求出它的最大值f1max和最小值f1min,

根据题意，可以列出如下的优化问题：

max A*∑((β(i)*d(i)*x(i))/(24*V(i)^3)+(D/720)*∑(d(i)/x(i)) - B*T(x1,x2,x3,x4,x5,x6,x7)*C

其中，T(x1,x2,x3,x4,x5,x6,x7)表示时间函数，满足以下条件：

tmin(i) <= T(x1,x2,x3,x4,x5,x6,x7) <= tmax(i)

vmin(i) <= d(i)/T(x1,x2,x3,x4,x5,x6,x7) <= vmax(i)

令f1(x1,x2,x3,x4,x5,x6,x7) = A*∑((β(i)*d(i)*x(i))/(24*V(i)^3)+(D/720)*∑(d(i)/x(i)) - B*T(x1,x2,x3,x4,x5,x6,x7)*C，则有：

f1(x1,x2,x3,x4,x5,x6,x7) = A*∑((β(i)*d(i)*x(i))/(24*V(i)^3)+(D/720)*∑(d(i)/x(i)) - B*T(x1,x2,x3,x4,x5,x6,x7)*C

f2(x1,x2,x3,x4,x5,x6,x7) = T(x1,x2,x3,x4,x5,x6,x7)

根据题意，有如下的约束条件：

x(i) >= w(i)*h(i)，i=1,2,...,7

∑(w(i)*h(i)*x(i)) <= A

x(i) <= d(i)，i=1,2,...,7

现在我们采用遗传算法来求解这个优化问题。

遗传算法的伪代码如下：

1.初始化种群
2.计算适应度
3.选择
4.交叉
5.变异
6.重复2-5步，直到满足终止条件
7.返回最优解

具体来说，我们采用如下的参数：

种群大小：100
交叉概率：0.8
变异概率：0.05
终止条件：连续10代最优解没有变化

接下来，我们依次对每个步骤进行详细说明。

1. 初始化种群

我们采用随机初始化的方法来生成初始种群。对于每个个体，我们随机生成x1,x2,x3,x4,x5,x6,x7的值，并对其进行限制。具体来说，对于每个x(i)，我们生成一个随机数r(i)，然后令x(i) = max(w(i)*h(i),r(i))和x(i) = min(d(i),x(i))。

2. 计算适应度

对于每个个体，我们计算其适应度值。具体来说，我们将其代入f1(x1,x2,x3,x4,x5,x6,x7)中，得到一个数值，作为该个体的适应度值。

3. 选择

我们采用轮盘赌选择的方法来选择个体。即，我们首先计算所有个体的适应度之和F，然后对于每个个体，计算其被选中的概率p(i) = f(i)/F。然后，我们采用如下的方法来选择n个个体：

重复n次，每次：
生成一个随机数r，满足0 <= r <= 1
从种群中选择第一个使得∑p(i) >= r的个体

4. 交叉

我们采用单点交叉的方法来进行交叉。具体来说，我们选取两个父个体，然后随机选取一个位置k，将两个父个体在位置k处切分，然后交换它们的后半部分，得到两个子个体。然后，我们将这两个子个体加入种群中。

5. 变异

我们采用基因突变的方法来进行变异。具体来说，对于每个个体，我们以一定概率(变异概率)对其某个基因进行突变，即在其取值范围内随机生成一个新的值，并替换原来的值。

6. 终止条件

我们设定一个终止条件，即连续10代最优解没有变化。具体来说，我们记录当前最优解的值f_best和代数generation_now，如果在后续的10代中，没有出现更好的解，则终止算法，返回最优解。

7. 返回最优解

当算法满足终止条件时，我们返回当前的最优解。