用python编程1、分离、自由组合规律的计算机模拟 （1）编写代码 （2）修改参数 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，并进行拟合优度检验。（设初始基因Aa）

在Python中，我们可以使用遗传算法（Genetic Algorithm）来模拟分离和自由组合定律，这是孟德尔遗传理论的基础部分。这里是一个简单的示例，我们将使用`random`库来生成随机个体并应用孟德尔的规则：

import random

# 定义基因型和表型
alleles = ['A', 'a']
phenotypes = {'AA': 0, 'Aa': 1, 'aa': 2}  # F1代的三种表型映射

def crossover(parent1, parent2):
    point = random.randint(1, len(alleles) - 1)
    child1 = alleles[:point] + parent2[point:]
    child2 = parent1[:point] + alleles[point:]
    return child1, child2

def mutate(individual, mutation_rate=0.01):
    if random.random() < mutation_rate:
        index = random.randint(0, len(alleles) - 1)
        individual[index] = random.choice(alleles)
    return individual

def simulate_population(n_samples, generations, mutation_rate=0.01):
    population = [['A', 'a']] * n_samples  # 初始化为Aa
    for _ in range(generations):
        new_population = []
        for i in range(0, n_samples, 2):  # 配对交配
            parent1, parent2 = population[i], population[i+1]
            offspring1, offspring2 = crossover(parent1, parent2)
            offspring1 = mutate(offspring1, mutation_rate)
            offspring2 = mutate(offspring2, mutation_rate)
            new_population.extend([offspring1, offspring2])
        population = new_population
        # 统计表型分布
        phenotype_distribution = {k: sum(p == k for p in population) for k in phenotypes}

    return phenotype_distribution

# 示例：设置不同的样本数并模拟
sample_sizes = [10, 50, 200, 500, 1000]
results = {}

for n in sample_sizes:
    results[n] = simulate_population(n, 100)

# 拟合优度检验在这里可以使用统计方法，如chi-squared检验，但这超出了遗传算法的直接范围，需要额外的统计库支持
# 对于拟合优度，你可以计算每个表型分布的实际频率与理论期望的比例，然后进行比较。