計算適應函數值
適應函數（fitness function）衡量每個染色體「有多好」，GA 會讓適應值大的染色體有更多機會留下後代。適應函數直接由要解的問題決定。
若要求 \(f(x, y) = x\sin(4x) + 1.1\,y\sin(y)\) 的最大值，適應函數就取 \(f(x, y)\) 本身。
若要求最小值，適應函數改為
$$g(x, y) = K - f(x, y)$$其中 \(K\) 是一個常數，要大到讓 \(g\) 在整個搜尋範圍內都是正值。（適應值要為正，是因為輪盤法以適應值的比例當作被選中的機率；若改用競賽法，只比大小，負值也沒關係。）
適應函數的地形 Fitness Landscape
（補充）把搜尋範圍取為 \(0 \le x, y \le 10\)，畫出 \(f\) 的分布：
這個函數有許多分開的峰，從隨機起點出發的梯度法很可能爬上附近的小峰就停住；GA 一次在整個範圍內放很多點，又靠突變不斷探索，比較容易找到全域最大值。用GA 演化互動模擬可以實際觀察。
在控制上的適應函數 Fitness for Controller Tuning
用 GA 調控制器時，染色體是控制器參數，每個染色體都要跑一次閉迴路模擬，再依響應算出適應值。本章範例 MCKGaPID 的主程式 MCKPIDGA_Main.m 是這樣做的：染色體為 \(K_p, K_i, K_d\)（各 8 位元、範圍 0.1～10），以 Simulink 模擬 MCK 系統 10 秒的步階響應，然後
也就是「誤差平方和＋超越量懲罰」當成本 \(J\)，再用上面 \(g = K - f\) 的方法轉成要最大化的適應值。只計算 1.2 秒以後的誤差，是不在乎起步那段、只要求盡快穩定在設定值。（說明為補充，數值取自原講義附檔程式）
附註：主程式呼叫 GA1_Initpopu(PopuSize,var_n,bit_n) 時後兩個引數的順序和函式定義 (popusize,bit_n,var_n) 相反，但函式只用到兩者的乘積，結果不受影響。
原圖對照
