使用python语言用遗传算法求解f (x) = x2 的最大值，x∈ [0,31]，x取整数。种群规模为70、交叉概率为0.66、变异概率取值为0.05，每行代码都要有注释，二进制长度定为5，当得到的解大于等于900时，结束，要求输出迭代过程。

首先，需要定义适应度函数，并且将解的表示方式从实数转换为二进制。在这个问题中，我们可以使用5位二进制表示整数x，那么最大值为31的二进制表示为11111。因此，我们可以定义一个函数将二进制转换为整数：

def bin_to_int(binary):
    return int(binary, 2)

然后，定义适应度函数。由于我们要求的是最大值，因此适应度函数可以简单地返回x的平方。

def fitness(x):
    return x**2

接下来，需要定义种群和个体类。每个个体都是一个二进制字符串。

import random

class Individual:
    def __init__(self, length):
        self.genes = ''.join(random.choice('01') for _ in range(length))
        self.fitness = 0

然后，定义遗传算法的核心函数。在每一代中，需要计算每个个体的适应度，并根据适应度进行选择、交叉和变异。选择可以使用轮盘赌算法，交叉可以使用单点交叉，变异可以随机翻转一个基因。

def genetic_algorithm(population_size, crossover_rate, mutation_rate):
    # 初始化种群
    population = [Individual(5) for _ in range(population_size)]
    # 记录迭代过程
    progress = []
    # 迭代直到达到目标
    while True:
        # 计算每个个体的适应度
        for individual in population:
            x = bin_to_int(individual.genes)
            individual.fitness = fitness(x)
        # 按照适应度进行选择
        selected = []
        total_fitness = sum(individual.fitness for individual in population)
        for _ in range(population_size):
            r = random.uniform(0, total_fitness)
            for individual in population:
                r -= individual.fitness
                if r <= 0:
                    selected.append(individual)
                    break
        # 进行交叉
        offspring = []
        for i in range(0, population_size, 2):
            parent1 = selected[i]
            parent2 = selected[i+1]
            if random.random() < crossover_rate:
                point = random.randint(1, 4)
                child1 = Individual(5)
                child2 = Individual(5)
                child1.genes = parent1.genes[:point] + parent2.genes[point:]
                child2.genes = parent2.genes[:point] + parent1.genes[point:]
                offspring.extend([child1, child2])
            else:
                offspring.extend([parent1, parent2])
        # 进行变异
        for individual in offspring:
            if random.random() < mutation_rate:
                point = random.randint(0, 4)
                genes = list(individual.genes)
                genes[point] = '0' if genes[point] == '1' else '1'
                individual.genes = ''.join(genes)
        # 更新种群
        population = offspring
        # 记录迭代过程
        best_individual = max(population, key=lambda individual: individual.fitness)
        progress.append((bin_to_int(best_individual.genes), best_individual.fitness))
        # 判断是否达到目标
        if best_individual.fitness >= 900:
            break
    return progress

最后，调用遗传算法函数并输出迭代过程。

progress = genetic_algorithm(population_size=70, crossover_rate=0.66, mutation_rate=0.05)
for i, (x, y) in enumerate(progress):
    print(f'Generation {i+1}: x={x}, f(x)={y}')