应用遗传算法来设计和找出最优的广告投放组合。请详细回答以下问题：（1）染色体编码：描述如何使用整数编码表示每种广告的投放时间段，其中数字0、1、2分别代表早上、下午和晚上。写出代码

遗传算法是一种基于生物进化理论的优化搜索算法，常用于解决复杂的全局优化问题。在广告投放组合优化中，可以将其视为一种搜索问题，目标是找到在给定预算下，能最大化广告效果的投放策略。以下是使用遗传算法设计广告投放组合的一个简化过程：

**1. 染色体编码：**
染色体在这里代表了一个可能的广告投放策略。我们可以将每个广告的一天分为三个时段，如早（0）、午（1）、晚（2）。因此，对于n个广告，我们用一个长度为3n的二进制数组来表示。例如，如果广告A、B、C有3、4、5个投放时段需要考虑，那么一个染色体会是 `010011...`，这里的010对应于广告A的投放策略，依次类推。

class Chromosome:
    def __init__(self, n_ads):
        self.length = 3 * n_ads
        self.values = [0] * self.length

    def encode(self, ads, time_slots):
        for i, ad in enumerate(ads):
            for slot in range(time_slots[ad]):
                self.values[i*3 + slot] = 1

    # 解码为广告投放列表
    def decode(self):
        ad_timeslots = {}
        for i in range(0, len(self.values), 3):
            ad_id = i // 3
            time_slot = self.values[i]
            if ad_id not in ad_timeslots:
                ad_timeslots[ad_id] = []
            if time_slot == 1:
                ad_timeslots[ad_id].append('下午')
            elif time_slot == 2:
                ad_timeslots[ad_id].append('晚上')
        return ad_timeslots

- **`encode`** 函数：将广告ID及其对应的投放时段转换成二进制位，1表示投放，0表示不投放。
- **`decode`** 函数：反之，从二进制位解码出广告的投放时段信息。

**2. 初始化种群：**
创建一个初始的随机种群，由多个Chromosome实例组成，代表不同的广告投放组合。

**3. 适应度函数：**
计算每个个体（即染色体）的适应度，这通常基于实际广告收益模型，比如点击率、转化率等指标。

**4. 选择、交叉和变异操作：**
- 选择：依据适应度值选取部分个体进入下一代。
- 交叉：通过基因重组操作，交换染色体的部分片段。
- 变异：随机改变某些基因的概率，引入多样性。

**5. 迭代直到达到停止条件：**
重复上述步骤，直至满足预设的迭代次数或适应度达到阈值，记录并返回最佳解决方案。