用遗传算法求解巡航高度优化问题，绘制适应度值、适应度平均值随迭代次数的变化情况。共有三个高度选项，分别为9200、9800、10400米；共有八个航段；起点高度设置为9800米；高度10400米的八个航段的油耗为[7, 7, 6, 11, 12, 5, 6, 9]、高度9800米的八个航段的油耗为[8, 9, 9, 7, 6, 9, 8, 3]、高度9200米的八个航段的油耗为[10, 10, 10, 10, 10, 10, 10, 10]

好的，我理解了你的问题。这是一个典型的优化问题，可以使用遗传算法求解。以下是我对这个问题的解决方案：

1. 遗传算法的编码方式

我们可以将一个飞行高度优化方案编码为一个长度为8的二进制串，每个二进制位表示对应航段的飞行高度选项。例如，001表示第一段飞行高度为9200米，第二段飞行高度为9800米，第三段飞行高度为10400米。

2. 遗传算法的参数设置

- 种群大小：50
- 交叉概率：0.6
- 变异概率：0.01
- 最大迭代次数：100
- 选择算子：锦标赛选择

3. 适应度函数的定义

我们可以将适应度函数定义为飞行方案的总油耗，即适应度值为每个航段油耗乘以对应航段的飞行高度选项的值之和。

4. 绘制适应度值、适应度平均值随迭代次数的变化情况

在每次迭代中，记录种群中适应度值最好的个体的适应度值和适应度平均值，并将其绘制成图表。下面是一个示例代码，使用Python语言实现了该算法的求解过程。

import numpy as np
import matplotlib.pyplot as plt

# 定义问题参数
HEIGHT_OPTIONS = [9200, 9800, 10400]
SEGMENTS = 8
START_HEIGHT = HEIGHT_OPTIONS[1]
OIL_CONSUMPTIONS = {
    HEIGHT_OPTIONS[0]: [10, 10, 10, 10, 10, 10, 10, 10],
    HEIGHT_OPTIONS[1]: [8, 9, 9, 7, 6, 9, 8, 3],
    HEIGHT_OPTIONS[2]: [7, 7, 6, 11, 12, 5, 6, 9]
}

# 定义遗传算法参数
POPULATION_SIZE = 50
CROSSOVER_PROBABILITY = 0.6
MUTATION_PROBABILITY = 0.01
MAX_GENERATIONS = 100
TOURNAMENT_SIZE = 3

# 定义遗传算法操作
def decode_chromosome(chromosome):
    return [HEIGHT_OPTIONS[int(ch)] for ch in chromosome]

def evaluate_fitness(population):
    fitness = []
    for chromosome in population:
        heights = decode_chromosome(chromosome)
        oil_consumption = sum([h*c for h,c in zip(heights, OIL_CONSUMPTIONS[START_HEIGHT])])
        fitness.append(1.0/oil_consumption)
    return np.array(fitness)

def select_parents(population, fitness):
    indices = np.random.randint(0, len(population), size=(TOURNAMENT_SIZE, len(population))))
    indices_fitness = fitness[indices]
    return population[indices[np.argmax(indices_fitness, axis=0), np.arange(len(population))]]

def crossover(parents):
    crossover_points = np.random.randint(1, SEGMENTS, size=len(parents))
    offspring = np.empty_like(parents)
    for i, point in enumerate(crossover_points):
        offspring[i] = np.concatenate((parents[i][:point], parents[(i+1)%len(parents)][point:]))
    return offspring

def mutate(offspring):
    mutation_points = np.random.rand(*offspring.shape) < MUTATION_PROBABILITY
    for i, points in enumerate(mutation_points):
        offspring[i, points] = np.random.randint(0, len(HEIGHT_OPTIONS), size=points.sum())
    return offspring

# 初始化种群
population = np.random.randint(0, len(HEIGHT_OPTIONS), size=(POPULATION_SIZE, SEGMENTS))

# 迭代遗传算法
best_fitness = []
mean_fitness = []
for generation in range(MAX_GENERATIONS):
    fitness = evaluate_fitness(population)
    best_fitness.append(fitness.max())
    mean_fitness.append(fitness.mean())

    parents = select_parents(population, fitness)
    offspring = crossover(parents)
    offspring = mutate(offspring)
    population = np.concatenate((population, offspring))

# 绘制适应度值、适应度平均值随迭代次数的变化情况
plt.plot(best_fitness, label='Best fitness')
plt.plot(mean_fitness, label='Mean fitness')
plt.xlabel('Generation')
plt.ylabel('Fitness')
plt.legend()
plt.show()

运行这段代码，就可以得到适应度值、适应度平均值随迭代次数的变化情况的图表。