没有任何数学模型形式的具体指导原则，但人们可以用几个概念来交流参数设置和如何选择参数的建议。其中一个概念是多样性，它类似于你提到的熵。另一个概念叫做选择压力，它根据个体的相对适合度来决定个体被选择的机会。

每一代的多样性和选择压力都是可以计算的，但是世代之间的变化是很难估计的。您还需要预测交叉和变异操作符的预期质量的模型，以便估计下一代中的适应度分布。

最近已经发表了关于这些主题的工作：*奇卡诺和阿尔巴。2011。使用景观理论精确计算位翻转突变的期望曲线*奇卡诺、惠特利和阿尔巴。2012。均匀交叉期望曲线的精确计算

你的问题是出于一般研究兴趣还是寻求实际指导？

如果你定义了算法的数学模型（初始种群、组合函数、变异函数），你可以使用普通的数学方法来计算你想知道的东西，但是典型的遗传算法太模糊了，没有任何有意义的答案。

如果你想设置一些遗传算法的超参数(例如“DNA”比特的数量)，那么这通常以任何机器学习算法的通常方式来完成，具有交叉验证集。