利用Python编程语言结合遗传算法，求解下列函数 f(x, y)=-x2+2x-y2+4y最大值，并画出函数曲线和最大值点。

在Python中利用遗传算法求解函数的最大值通常涉及到以下几个步骤：

1. **定义问题**: 首先，你需要明确目标函数 `f(x, y)` = `-x^2 + 2x - y^2 + 4y`。这是一个二次函数，其图形是一个椭圆。

2. **初始化种群**:
创建一个包含随机解（x, y）组成的种群，每个解都是一个可能的最优解候选。

3. **适应度评估**:
对每个个体（解），计算其适应度（在这个例子中就是 `f(x, y)` 的值）。适应度值越大的个体被认为更接近全局最优解。

4. **选择**:
根据每个个体的适应度值进行选择操作，通常使用轮盘赌或其他概率选择策略选出下一代的一部分个体。

5. **交叉**:
通过基因交叉（crossover）操作，将父母的特征组合到他们的后代身上，生成新的解。

6. **变异**:
应用变异（mutation）操作，对新产生的个体进行微小的随机改变，增加搜索空间的多样性。

7. **迭代过程**:
重复上述步骤直到达到预设的迭代次数或者找到足够好的解决方案。

8. **结果输出**:
找到具有最高适应度值的个体，即为函数的最大值点。同时，你可以用matplotlib等库绘制函数图像及最大值点。

以下是一个简单的伪代码示例：

import numpy as np
import matplotlib.pyplot as plt
from deap import base, creator, tools

# 定义适应度函数
def fitness_function(solution):
    x, y = solution
    return -x**2 + 2*x - y**2 + 4*y

# 初始化遗传算法
creator.create("FitnessMax", base.Fitness, weights=(1.0,))
creator.create("Individual", list, fitness=creator.FitnessMax)

toolbox = base.Toolbox()
toolbox.register("attr_float", np.random.uniform, -10, 10)
toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attr_float, n=2)
toolbox.register("population", tools.initRepeat, list, toolbox.individual)

# ... 进行遗传算法的具体实现 ...

# 最终结果
best_solution = toolbox.population[0]
max_value = best_solution.fitness.values[0]

# 绘制函数曲线和最大值点
x, y = np.mgrid[-10:10:.1, -10:10:.1]
z = -x**2 + 2*x - y**2 + 4*y
plt.contourf(x, y, z, levels=np.linspace(z.min(), max_value, 20), cmap='viridis')
plt.plot(best_solution[0], best_solution[1], 'ro', markersize=10, label="Maximum")
plt.title("Contour plot of f(x,y) with maximum at ({}, {})".format(*best_solution))
plt.xlabel("x"), plt.ylabel("y")
plt.legend()
plt.show()