用python实现：1.构造一个确保有最大值的函数。 2、设定寻优空间，利用遗传算法代码寻找最大值。

下面是用Python实现的确保有最大值的函数：

def ensure_max(lst):
    """
    确保列表中有最大值
    """
    if not lst:
        return None
    max_val = max(lst)
    if max_val < 0:
        return max_val
    return max_val + 1

上述函数接受一个列表作为输入，并返回一个确保列表中有最大值的值。如果列表为空，则返回None；如果列表中的最大值是负数，则返回这个最大值；否则，返回最大值加一。

下面是用Python实现的遗传算法代码来寻找最大值：

import random

def fitness_func(individual):
    """
    适应度函数
    """
    return sum(individual)

def generate_individual():
    """
    生成个体
    """
    return [random.randint(0, 100) for _ in range(10)]

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

def mutate(individual):
    """
    突变操作
    """
    index = random.randint(0, len(individual) - 1)
    individual[index] = random.randint(0, 100)
    return individual

def genetic_algorithm(population_size, mutation_rate, num_generations):
    """
    遗传算法
    """
    # 初始化种群
    population = [generate_individual() for _ in range(population_size)]

    for generation in range(num_generations):
        # 计算适应度
        fitness_scores = [fitness_func(individual) for individual in population]
        # 选择操作
        parents = []
        for _ in range(population_size // 2):
            parent1 = population[fitness_scores.index(max(fitness_scores))]
            fitness_scores[fitness_scores.index(max(fitness_scores))] = -1
            parent2 = population[fitness_scores.index(max(fitness_scores))]
            fitness_scores[fitness_scores.index(max(fitness_scores))] = -1
            parents.append((parent1, parent2))
        # 交叉操作
        children = []
        for parent1, parent2 in parents:
            child1, child2 = crossover(parent1, parent2)
            children.append(child1)
            children.append(child2)
        # 突变操作
        for i in range(len(children)):
            if random.random() < mutation_rate:
                children[i] = mutate(children[i])
        # 更新种群
        population = children

    # 返回最优解
    return max(population, key=fitness_func)

上述代码接受三个参数：种群大小、突变率和迭代次数。它使用遗传算法来寻找适应度函数的最大值，其中个体是由10个随机整数组成的列表。在每个迭代中，它计算种群中每个个体的适应度，然后选择最适合进行交叉和突变的个体。交叉操作使用单点交叉，突变操作将随机选择一个位置并将其替换为一个随机整数。最后，它返回最优解（即适应度函数的最大值）。