用遗传算法求解巡航高度优化问题，一个航段只能选择一个高度，将适应度值设置为各个航段的油耗之和，输出每次迭代对应的结果，并绘制适应度值、适应度平均值随迭代次数的变化图。共有三个高度选项，分别为9200、9800、10400米；共有八个航段；第一个航段的高度固定为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，这是一个比较典型的遗传算法优化问题。首先，我们需要定义一个适应度函数，用于计算每次迭代后的适应度值。根据题目描述，适应度函数应该是各个航段的油耗之和。

接着，我们需要定义一个染色体编码方式。由于每个航段只能选择一个高度，我们可以使用一个长度为8的二进制串来表示每个航段的选择。比如，二进制串"10101010"表示第1、3、5、7航段选择高度10400米，第2、4、6、8航段选择高度9200米。

然后，我们需要定义遗传算法中的选择、交叉和变异操作。在这个问题中，我们可以使用轮盘赌选择、单点交叉和位点变异。

最后，我们可以根据遗传算法的迭代次数输出每次迭代对应的结果，并绘制适应度值、适应度平均值随迭代次数的变化图。

下面是Python代码实现：