比如我希望得到最终结果为"Hello World!"。请结合代码说明，最好是用python。

跑了一下 可以达到你的要求，请采纳

里面加了注释，如果还有不明白的地方可以私信我

import random

m=100 #种群数

v=0  #子代中符合进化目标的个体的位置索引

flag=False  #用于标识是否出现目标

target=[72,101,108,108,111,119,32,87,111,114,108,100,33]  #进化目标 list内为Hello World的Ascii码对应数字

l=len(target)

fathers=[[random.randint(32,122) for j in range(l)]for i in range(m)]  #生成父代

sons=[[] for i in range(int(m*(m-1)/2))]   #生成子代list,由于子代为父代两两杂交 所以数量为m*(m-1)/2

def asc(n):  #用于显示某个个体的基因 将ascii码转为字母
    st=""
    tar=[bytes([n[i]]).decode('ascii') for i in range(l)]
    for i in tar:
        st+=i
    return(st)

def zj(fa):  #父代杂交产生子代
    n=0
    for i in range(m-1):
        for j in range(m-i-1):
            sons[n]=fa[i][0:int(l/2)]
            sons[n][int(l/2):l]=fa[j+i+1][int(l/2):l]
            sons[n].append(n)  #末尾添加一位作为评估分数位
            n+=1

def by1():   #子代变异(等位交换)
    for i in sons:
        if (random.randint(0,10)>7):  #有概率变异 
            n=random.randint(0,l-1)
            k=random.randint(0,l-1)
            i[n],i[k]=i[k],i[n]     #基因等位交换

def by2():  #子代变异（突变）
    for i in sons:
        if (random.randint(0,10)>9):  #有概率变异
            i[random.randint(0,l-1)]=random.randint(32,122)

def pg():   #对子代进行评估
    global flag
    global v
    pgs=[]  #存放所有评估分数
    k=0
    for i in sons:
        fs=0
        for j in range(l):
            fs+=abs(i[j]-target[j]) #与目标越接近 分数越接近0
        if fs==0:   #如果评估分为0 则说明出现目标
            v=k
            flag=1
            break
        i[l]=fs
        pgs.append(fs)
        k+=1
    if not flag:
        pgs.sort()  #评估分数由低到高排列
        print("本次进化的最接近评分为%s" %pgs[0])   #本轮当前的最低评分
        n=pgs[m-1]  #获取第m个评估分数
        k=0
        for i in sons:
           if i[l]<=n:     #如果小于等于第m个评估分数则作为新的father
               fathers[k]=i[0:l]
               k+=1
               if k==m:   #当新的father被填满 跳出
                   break

def pg_fathers():   #对父代进行评估
    for i in range(len(fathers)):
        fs=0
        for j in range(len(fathers[0])):
            fs+=abs(fathers[i][j]-target[j]) #与目标越接近 分数越接近0
        if fs==0:
            print("父代的第%d个个体为目标" % i)
            return True



for i in fathers:
    print(i)
print("=============")
count=0
if not pg_fathers():    #对父代进行评估，如果父代没有目标才进行子代的计算
    while 1:
        zj(fathers)
        by1()
        by2()
        pg()
        count+=1
        if flag:
            break
    print("=====================================")
    print("子代的第%d个个体为进化目标（索引值）" % v)
    print("它的基因为%s" % sons[v][:-1])
    print("它的基因的ASCii码对应的字母为%s" % asc(sons[v]))
    print("一共进化了%d轮" % count)

这是运行结果

遗传算法本质上是一种通过多次迭代逼近最优解的算法框架，因此你得有一个输入，一个优化的目标（在机器学习里也叫做损失函数），然后才谈得上结果。
你的问题过于笼统，根本看不出你要做什么，也看不出和遗传算法有任何的关系。

随机选定N个字符串变量（与目标字符串长度相同），对这些字符串进行M次杂交、突变操作得到M+N个变量，从中选出N个最接近目标字符串的变量进入下一轮循环。
迭代这个过程直到输出目标字符串。