1. 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，你可以使用NumPy库来创建和操作向量，然后结合Scipy库中的优化工具和遗传算法模块`scipy.optimize.differential_evolution`来解决这个问题。首先，你需要定义目标函数f(x, y)，接着编写遗传算法的具体实现。以下是一个简化的步骤：

1. 导入所需库：

import numpy as np
from scipy.optimize import differential_evolution
import matplotlib.pyplot as plt

2. 定义目标函数f(x, y):

def fitness_function(x):
    return -x[0]**2 + 2*x[0] - x[1]**2 + 4*x[1]

这里我们把一维变换成二维，因为遗传算法通常处理一维优化问题。

3. 使用遗传算法求解最大值：

# 设置搜索空间范围
lower_bound = [-10, -10]
upper_bound = [10, 10]

# 运行遗传算法
result = differential_evolution(fitness_function, bounds=(lower_bound, upper_bound), popsize=50, mutation=(0.5, 1), recombination=0.7, seed=42)

# 获取最优解
best_solution = result.x
max_value = result.fun

4. 绘制函数曲线：

x = np.linspace(lower_bound[0], upper_bound[0], 100)
y = np.linspace(lower_bound[1], upper_bound[1], 100)
X, Y = np.meshgrid(x, y)
Z = -X**2 + 2*X - Y**2 + 4*Y

plt.contour(X, Y, Z, levels=[-max_value])
plt.title("Function Contour with Maximum Value")
plt.xlabel("x")
plt.ylabel("y")
plt.show()

5. 绘制最大值点：

plt.scatter(best_solution[0], best_solution[1], color="red", marker="*", label="Maximum point")
plt.legend()
plt.show()

这将显示目标函数的等高线图以及最大值点的位置。请注意，由于遗传算法的随机性质，每次运行结果可能会有所不同，所以最好多次运行并取平均值来获得更准确的结果。