戴曉明，媽媽戴曉明買布如果買2米還剩9元如果買4米同樣的布還差12元媽媽帶

來(lái)源：整理時(shí)間：2024-01-05 01:42:07 編輯：律生活手機(jī)版

本文目錄一覽

1，媽媽戴曉明買布如果買2米還剩9元如果買4米同樣的布還差12元媽媽帶
2，戴姓屬雞冬月男孩取名
3，為什么先天遺傳比后天環(huán)境更重要總結(jié)
4，什么是遺傳要詳細(xì)的資料和圖片解說(shuō)

1，媽媽戴曉明買布如果買2米還剩9元如果買4米同樣的布還差12元媽媽帶

3元

媽媽戴曉明買布如果買2米還剩9元如果買4米同樣的布還差12元媽媽帶

2，戴姓屬雞冬月男孩取名

戴智翔戴泓琪戴義峰戴含昭戴萱鑫戴作航戴熙翰戴弈軒戴依焯戴冠銳戴兮濤戴渝銘戴子澤戴茂彤戴星暄戴少東戴天雨戴修晗戴全蒙戴子文戴梓源戴子榕戴博銘戴子睿戴澤赫戴澤睿戴臻濤戴顥成戴瑜濤戴智富戴奕淇戴梓銘戴梓濤戴春圖戴澤天戴瀛涵戴苘昱戴恣平戴旭杰戴潤(rùn)超戴嘉為戴振龍戴奕晗戴霆?jiǎng)P 戴昊鑫戴文鵬戴曦天戴明澤戴祥豪戴琦晗戴奇炯戴志禹戴奕平戴曉明戴子芷戴子杰戴嘉涵戴翊林戴梓卿戴淼琨戴向行戴宛涵戴福濤戴子桐戴曦宜戴澤涵戴新樂(lè) 戴歆睿戴玉濤戴浩涵戴清頤戴滟彬戴元旭戴愷宇戴崇羽戴柯博戴志陽(yáng) 戴佳波戴克熹戴哲誼戴俊峰戴妤源戴夢(mèng)峰戴睿涵戴有晨戴子明戴泓沂戴俊倫戴林林戴彥蓉

戴姓屬雞冬月男孩取名

3，為什么先天遺傳比后天環(huán)境更重要總結(jié)

它是由美國(guó)的J.Holland教授1975年首先提出，其主要特點(diǎn)是直接對(duì)結(jié)構(gòu)對(duì)象進(jìn)行操作，不存在求導(dǎo)和函數(shù)連續(xù)性的限定；具有內(nèi)在的隱并行性和更好的全局尋優(yōu)能力；采用概率化的尋優(yōu)方法，能自動(dòng)獲取和指導(dǎo)優(yōu)化的搜索空間，自適應(yīng)地調(diào)整搜索方向，不需要確定的規(guī)則。遺傳算法的這些性質(zhì)，已被人們廣泛地應(yīng)用于組合優(yōu)化、機(jī)器學(xué)習(xí)、信號(hào)處理、自適應(yīng)控制和人工生命等領(lǐng)域。它是現(xiàn)代有關(guān)智能計(jì)算中的關(guān)鍵技術(shù)。　　對(duì)于一個(gè)求函數(shù)最大值的優(yōu)化問(wèn)題(求函數(shù)最小值也類同)，一般可以描述為下列數(shù)學(xué)規(guī)劃模型:　　式中為決策變量，為目標(biāo)函數(shù)式，式2-2、2-3為約束條件，U是基本空間，R是U的子集。滿足約束條件的解X稱為可行解，集合R表示所有滿足約束條件的解所組成的集合，稱為可行解集合?！　∵z傳算法的基本運(yùn)算過(guò)程如下:　　a)初始化:設(shè)置進(jìn)化代數(shù)計(jì)數(shù)器t=0，設(shè)置最大進(jìn)化代數(shù)T，隨機(jī)生成M個(gè)個(gè)體作為初始群體P(0)?！　)個(gè)體評(píng)價(jià):計(jì)算群體P(t)中各個(gè)個(gè)體的適應(yīng)度?！　)選擇運(yùn)算:將選擇算子作用于群體。選擇的目的是把優(yōu)化的個(gè)體直接遺傳到下一代或通過(guò)配對(duì)交叉產(chǎn)生新的個(gè)體再遺傳到下一代。選擇操作是建立在群體中個(gè)體的適應(yīng)度評(píng)估基礎(chǔ)上的?！　)交叉運(yùn)算；將交叉算子作用于群體。所謂交叉是指把兩個(gè)父代個(gè)體的部分結(jié)構(gòu)加以替換重組而生成新個(gè)體的操作。遺傳算法中起核心作用的就是交叉算子?！　)變異運(yùn)算:將變異算子作用于群體。即是對(duì)群體中的個(gè)體串的某些基因座上的基因值作變動(dòng)。　　群體P(t)經(jīng)過(guò)選擇、交叉、變異運(yùn)算之后得到下一代群體P(t 1)。　　f)終止條件判斷:若tT,則以進(jìn)化過(guò)程中所得到的具有最大適應(yīng)度個(gè)體作為最優(yōu)解輸出，終止計(jì)算。遺傳是不可逆轉(zhuǎn)的，而后天是可以改變的。所以說(shuō)遺傳比后天更重要?！∵M(jìn)入90年代，遺傳算法迎來(lái)了興盛發(fā)展時(shí)期，無(wú)論是理論研究還是應(yīng)用研究都成了十分熱門的課題。尤其是遺傳算法的應(yīng)用研究顯得格外活躍，不但它的應(yīng)用領(lǐng)域擴(kuò)大，而且利用遺傳算法進(jìn)行優(yōu)化和規(guī)則學(xué)習(xí)的能力也顯著提高，同時(shí)產(chǎn)業(yè)應(yīng)用方面的研究也在摸索之中。此外一些新的理論和方法在應(yīng)用研究中亦得到了迅速的發(fā)展，這些無(wú)疑均給遺傳算法增添了新的活力。遺傳算法的應(yīng)用研究已從初期的組合優(yōu)化求解擴(kuò)展到了許多更新、更工程化的應(yīng)用方面。　　隨著應(yīng)用領(lǐng)域的擴(kuò)展，遺傳算法的研究出現(xiàn)了幾個(gè)引人注目的新動(dòng)向：一是基于遺傳算法的機(jī)器學(xué)習(xí)，這一新的研究課題把遺傳算法從歷來(lái)離散的搜索空間的優(yōu)化搜索算法擴(kuò)展到具有獨(dú)特的規(guī)則生成功能的嶄新的機(jī)器學(xué)習(xí)算法。這一新的學(xué)習(xí)機(jī)制對(duì)于解決人工智能中知識(shí)獲取和知識(shí)優(yōu)化精煉的瓶頸難題帶來(lái)了希望。二是遺傳算法正日益和神經(jīng)網(wǎng)絡(luò)、模糊推理以及混沌理論等其它智能計(jì)算方法相互滲透和結(jié)合，這對(duì)開(kāi)拓21世紀(jì)中新的智能計(jì)算技術(shù)將具有重要的意義。三是并行處理的遺傳算法的研究十分活躍。這一研究不僅對(duì)遺傳算法本身的發(fā)展，而且對(duì)于新一代智能計(jì)算機(jī)體系結(jié)構(gòu)的研究都是十分重要的。四是遺傳算法和另一個(gè)稱為人工生命的嶄新研究領(lǐng)域正不斷滲透。所謂人工生命即是用計(jì)算機(jī)模擬自然界豐富多彩的生命現(xiàn)象，其中生物的自適應(yīng)、進(jìn)化和免疫等現(xiàn)象是人工生命的重要研究對(duì)象，而遺傳算法在這方面將會(huì)發(fā)揮一定的作用，五是遺傳算法和進(jìn)化規(guī)劃（Evolution Programming,EP）以及進(jìn)化策略（Evolution Strategy,ES）等進(jìn)化計(jì)算理論日益結(jié)合。EP和ES幾乎是和遺傳算法同時(shí)獨(dú)立發(fā)展起來(lái)的，同遺傳算法一樣，它們也是模擬自然界生物進(jìn)化機(jī)制的只能計(jì)算方法，即同遺傳算法具有相同之處，也有各自的特點(diǎn)。目前，這三者之間的比較研究和彼此結(jié)合的探討正形成熱點(diǎn)。　　1991年D.Whitey在他的論文中提出了基于領(lǐng)域交叉的交叉算子（Adjacency based crossover），這個(gè)算子是特別針對(duì)用序號(hào)表示基因的個(gè)體的交叉，并將其應(yīng)用到了TSP問(wèn)題中，通過(guò)實(shí)驗(yàn)對(duì)其進(jìn)行了驗(yàn)證。　　D.H.Ackley等提出了隨即迭代遺傳爬山法（Stochastic Iterated Genetic Hill-climbing，SIGH）采用了一種復(fù)雜的概率選舉機(jī)制，此機(jī)制中由m個(gè)“投票者”來(lái)共同決定新個(gè)體的值（m表示群體的大?。?。實(shí)驗(yàn)結(jié)果表明，SIGH與單點(diǎn)交叉、均勻交叉的神經(jīng)遺傳算法相比，所測(cè)試的六個(gè)函數(shù)中有四個(gè)表現(xiàn)出更好的性能，而且總體來(lái)講，SIGH比現(xiàn)存的許多算法在求解速度方面更有競(jìng)爭(zhēng)力?！　.Bersini和G.Seront將遺傳算法與單一方法（simplex method）結(jié)合起來(lái)，形成了一種叫單一操作的多親交叉算子（simplex crossover），該算子在根據(jù)兩個(gè)母體以及一個(gè)額外的個(gè)體產(chǎn)生新個(gè)體，事實(shí)上他的交叉結(jié)果與對(duì)三個(gè)個(gè)體用選舉交叉產(chǎn)生的結(jié)果一致。同時(shí)，文獻(xiàn)還將三者交叉算子與點(diǎn)交叉、均勻交叉做了比較，結(jié)果表明，三者交叉算子比其余兩個(gè)有更好的性能?！　?guó)內(nèi)也有不少的專家和學(xué)者對(duì)遺傳算法的交叉算子進(jìn)行改進(jìn)。2002年，戴曉明等應(yīng)用多種群遺傳并行進(jìn)化的思想，對(duì)不同種群基于不同的遺傳策略，如變異概率，不同的變異算子等來(lái)搜索變量空間，并利用種群間遷移算子來(lái)進(jìn)行遺傳信息交流，以解決經(jīng)典遺傳算法的收斂到局部最優(yōu)值問(wèn)題　　2004年，趙宏立等針對(duì)簡(jiǎn)單遺傳算法在較大規(guī)模組合優(yōu)化問(wèn)題上搜索效率不高的現(xiàn)象，提出了一種用基因塊編碼的并行遺傳算法（Building-block Coded Parallel GA，BCPGA）。該方法以粗粒度并行遺傳算法為基本框架，在染色體群體中識(shí)別出可能的基因塊，然后用基因塊作為新的基因單位對(duì)染色體重新編碼，產(chǎn)生長(zhǎng)度較短的染色體，在用重新編碼的染色體群體作為下一輪以相同方式演化的初始群體。

為什么先天遺傳比后天環(huán)境更重要總結(jié)

4，什么是遺傳要詳細(xì)的資料和圖片解說(shuō)

摘要　　遺傳是指經(jīng)由基因的傳遞，使后代獲得親代的特征。遺傳學(xué)是研究此一現(xiàn)象的學(xué)科，目前已知地球上現(xiàn)存的生命主要是以DNA作為遺傳物質(zhì)。除了遺傳之外，決定生物特征的因素還有環(huán)境，以及環(huán)境與遺傳的交互作用?！　編輯本段]特點(diǎn)　　遺傳算法是一類可用于復(fù)雜系統(tǒng)優(yōu)化的具有魯棒性的搜索算法，與傳統(tǒng)的優(yōu)化算法相比，主要有以下特點(diǎn)：[1]　　1、遺傳算法以決策變量的編碼作為運(yùn)算對(duì)象。傳統(tǒng)的優(yōu)化算法往往直接決策變量的實(shí)際植本身，而遺傳算法處理決策變量的某種編碼形式，使得我們可以借鑒生物學(xué)中的染色體和基因的概念，可以模仿自然界生物的遺傳和進(jìn)化機(jī)理，也使得我們能夠方便的應(yīng)用遺傳操作算子。　　2、遺傳算法直接以適應(yīng)度作為搜索信息，無(wú)需導(dǎo)數(shù)等其它輔助信息?！　?、遺傳算法使用多個(gè)點(diǎn)的搜索信息，具有隱含并行性?！　?、遺傳算法使用概率搜索技術(shù)，而非確定性規(guī)則?！　編輯本段]應(yīng)用　　由于遺傳算法的整體搜索策略和優(yōu)化搜索方法在計(jì)算是不依賴于梯度信息或其它輔助知識(shí)，而只需要影響搜索方向的目標(biāo)函數(shù)和相應(yīng)的適應(yīng)度函數(shù)，所以遺傳算法提供了一種求解復(fù)雜系統(tǒng)問(wèn)題的通用框架，它不依賴于問(wèn)題的具體領(lǐng)域，對(duì)問(wèn)題的種類有很強(qiáng)的魯棒性，所以廣泛應(yīng)用于許多科學(xué)，下面我們將介紹遺傳算法的一些主要應(yīng)用領(lǐng)域：　　1、函數(shù)優(yōu)化?！　『瘮?shù)優(yōu)化是遺傳算法的經(jīng)典應(yīng)用領(lǐng)域，也是遺傳算法進(jìn)行性能評(píng)價(jià)的常用算例，許多人構(gòu)造出了各種各樣復(fù)雜形式的測(cè)試函數(shù)：連續(xù)函數(shù)和離散函數(shù)、凸函數(shù)和凹函數(shù)、低維函數(shù)和高維函數(shù)、單峰函數(shù)和多峰函數(shù)等。對(duì)于一些非線性、多模型、多目標(biāo)的函數(shù)優(yōu)化問(wèn)題，用其它優(yōu)化方法較難求解，而遺傳算法可以方便的得到較好的結(jié)果。遺傳與生育　　2、組合優(yōu)化　　隨著問(wèn)題規(guī)模的增大，組合優(yōu)化問(wèn)題的搜索空間也急劇增大，有時(shí)在目前的計(jì)算上用枚舉法很難求出最優(yōu)解。對(duì)這類復(fù)雜的問(wèn)題，人們已經(jīng)意識(shí)到應(yīng)把主要精力放在尋求滿意解上，而遺傳算法是尋求這種滿意解的最佳工具之一。實(shí)踐證明，遺傳算法對(duì)于組合優(yōu)化中的NP問(wèn)題非常有效。例如遺傳算法已經(jīng)在求解旅行商問(wèn)題、背包問(wèn)題、裝箱問(wèn)題、圖形劃分問(wèn)題等方面得到成功的應(yīng)用?！　〈送?，GA也在生產(chǎn)調(diào)度問(wèn)題、自動(dòng)控制、機(jī)器人學(xué)、圖象處理、人工生命、遺傳編碼和機(jī)器學(xué)習(xí)等方面獲得了廣泛的運(yùn)用?！　編輯本段]現(xiàn)狀　　進(jìn)入90年代，遺傳算法迎來(lái)了興盛發(fā)展時(shí)期，無(wú)論是理論研究還是應(yīng)用研究都成了十分熱門的課題。尤其是遺傳算法的應(yīng)用研究顯得格外活躍，不但它的應(yīng)用領(lǐng)域擴(kuò)大，而且利用遺傳算法進(jìn)行優(yōu)化和規(guī)則學(xué)習(xí)的能力也顯著提高，同時(shí)產(chǎn)業(yè)應(yīng)用方面的研究也在摸索之中。此外一些新的理論和方法在應(yīng)用研究中亦得到了迅速的發(fā)展，這些無(wú)疑均給遺傳算法增添了新的活力。遺傳算法的應(yīng)用研究已從初期的組合優(yōu)化求解擴(kuò)展到了許多更新、更工程化的應(yīng)用方面。兒童孤獨(dú)癥可能來(lái)自遺傳　　隨著應(yīng)用領(lǐng)域的擴(kuò)展，遺傳算法的研究出現(xiàn)了幾個(gè)引人注目的新動(dòng)向：一是基于遺傳算法的機(jī)器學(xué)習(xí)，這一新的研究課題把遺傳算法從歷來(lái)離散的搜索空間的優(yōu)化搜索算法擴(kuò)展到具有獨(dú)特的規(guī)則生成功能的嶄新的機(jī)器學(xué)習(xí)算法。這一新的學(xué)習(xí)機(jī)制對(duì)于解決人工智能中知識(shí)獲取和知識(shí)優(yōu)化精煉的瓶頸難題帶來(lái)了希望。二是遺傳算法正日益和神經(jīng)網(wǎng)絡(luò)、模糊推理以及混沌理論等其它智能計(jì)算方法相互滲透和結(jié)合，這對(duì)開(kāi)拓21世紀(jì)中新的智能計(jì)算技術(shù)將具有重要的意義。三是并行處理的遺傳算法的研究十分活躍。這一研究不僅對(duì)遺傳算法本身的發(fā)展，而且對(duì)于新一代智能計(jì)算機(jī)體系結(jié)構(gòu)的研究都是十分重要的。四是遺傳算法和另一個(gè)稱為人工生命的嶄新研究領(lǐng)域正不斷滲透。所謂人工生命即是用計(jì)算機(jī)模擬自然界豐富多彩的生命現(xiàn)象，其中生物的自適應(yīng)、進(jìn)化和免疫等現(xiàn)象是人工生命的重要研究對(duì)象，而遺傳算法在這方面將會(huì)發(fā)揮一定的作用，五是遺傳算法和進(jìn)化規(guī)劃（Evolution Programming,EP）以及進(jìn)化策略（Evolution Strategy,ES）等進(jìn)化計(jì)算理論日益結(jié)合。EP和ES幾乎是和遺傳算法同時(shí)獨(dú)立發(fā)展起來(lái)的，同遺傳算法一樣，它們也是模擬自然界生物進(jìn)化機(jī)制的只能計(jì)算方法，即同遺傳算法具有相同之處，也有各自的特點(diǎn)。目前，這三者之間的比較研究和彼此結(jié)合的探討正形成熱點(diǎn)。　　1991年D.Whitey在他的論文中提出了基于領(lǐng)域交叉的交叉算子（Adjacency based crossover），這個(gè)算子是特別針對(duì)用序號(hào)表示基因的個(gè)體的交叉，并將其應(yīng)用到了TSP問(wèn)題中，通過(guò)實(shí)驗(yàn)對(duì)其進(jìn)行了驗(yàn)證?！　.H.Ackley等提出了隨即迭代遺傳爬山法（Stochastic Iterated Genetic Hill-climbing，SIGH）采用了一種復(fù)雜的概率選舉機(jī)制，此機(jī)制中由m個(gè)“投票者”來(lái)共同決定新個(gè)體的值（m表示群體的大?。?。實(shí)驗(yàn)結(jié)果表明，SIGH與單點(diǎn)交叉、均勻交叉的神經(jīng)遺傳算法相比，所測(cè)試的六個(gè)函數(shù)中有四個(gè)表現(xiàn)出更好的性能，而且總體來(lái)講，SIGH比現(xiàn)存的許多算法在求解速度方面更有競(jìng)爭(zhēng)力。　　H.Bersini和G.Seront將遺傳算法與單一方法（simplex method）結(jié)合起來(lái)，形成了一種叫單一操作的多親交叉算子（simplex crossover），該算子在根據(jù)兩個(gè)母體以及一個(gè)額外的個(gè)體產(chǎn)生新個(gè)體，事實(shí)上他的交叉結(jié)果與對(duì)三個(gè)個(gè)體用選舉交叉產(chǎn)生的結(jié)果一致。同時(shí)，文獻(xiàn)還將三者交叉算子與點(diǎn)交叉、均勻交叉做了比較，結(jié)果表明，三者交叉算子比其余兩個(gè)有更好的性能。　　國(guó)內(nèi)也有不少的專家和學(xué)者對(duì)遺傳算法的交叉算子進(jìn)行改進(jìn)。2002年，戴曉明等應(yīng)用多種群遺傳并行進(jìn)化的思想，對(duì)不同種群基于不同的遺傳策略，如變異概率，不同的變異算子等來(lái)搜索變量空間，并利用種群間遷移算子來(lái)進(jìn)行遺傳信息交流，以解決經(jīng)典遺傳算法的收斂到局部最優(yōu)值問(wèn)題　　2004年，趙宏立等針對(duì)簡(jiǎn)單遺傳算法在較大規(guī)模組合優(yōu)化問(wèn)題上搜索效率不高的現(xiàn)象，提出了一種用基因塊編碼的并行遺傳算法（Building-block Coded Parallel GA，BCPGA）。該方法以粗粒度并行遺傳算法為基本框架，在染色體群體中識(shí)別出可能的基因塊，然后用基因塊作為新的基因單位對(duì)染色體重新編碼，產(chǎn)生長(zhǎng)度較短的染色體，在用重新編碼的染色體群體作為下一輪以相同方式演化的初始群體?！　?005年，江雷等針對(duì)并行遺傳算法求解TSP問(wèn)題,探討了使用彈性策略來(lái)維持群體的多樣性,使得算法跨過(guò)局部收斂的障礙,向全局最優(yōu)解方向進(jìn)化?！　編輯本段]一般算法　　遺傳算法是模擬達(dá)爾文的遺傳選擇和自然淘汰的生物進(jìn)化過(guò)程的計(jì)算模型。它的思想源于生物遺傳學(xué)和適者生存的自然規(guī)律，是具有“生存＋檢測(cè)”的迭代過(guò)程的搜索算法。遺傳算法以一種群體中的所有個(gè)體為對(duì)象，并利用隨機(jī)化技術(shù)指導(dǎo)對(duì)一個(gè)被編碼的參數(shù)空間進(jìn)行高效搜索。其中，選擇、交叉和變異構(gòu)成了遺傳算法的遺傳操作；參數(shù)編碼、初始群體的設(shè)定、適應(yīng)度函數(shù)的設(shè)計(jì)、遺傳操作設(shè)計(jì)、控制參數(shù)設(shè)定五個(gè)要素組成了遺傳算法的核心內(nèi)容。作為一種新的全局優(yōu)化搜索算法，遺傳算法以其簡(jiǎn)單通用、魯棒性強(qiáng)、適于并行處理以及高效、實(shí)用等顯著特點(diǎn)，在各個(gè)領(lǐng)域得到了廣泛應(yīng)用，取得了良好效果，并逐漸成為重要的智能算法之一。遺傳算法是基于生物學(xué)的，理解或編程都不太難。下面是遺傳算法的一般算法：　　??　　[編輯本段]創(chuàng)建一個(gè)隨機(jī)的初始狀態(tài)　　??初始種群是從解中隨機(jī)選擇出來(lái)的，將這些解比喻為染色體或基因，該種群被稱為第一代，這和符號(hào)人工智能系統(tǒng)的情況不一樣，在那里問(wèn)題的初始狀態(tài)已經(jīng)給定了。　　??評(píng)估適應(yīng)度　　??對(duì)每一個(gè)解(染色體)指定一個(gè)適應(yīng)度的值，根據(jù)問(wèn)題求解的實(shí)際接近程度來(lái)指定(以便逼近求解問(wèn)題的答案)。不要把這些“解”與問(wèn)題的“答案”混為一談，可以把它理解成為要得到答案，系統(tǒng)可能需要利用的那些特性?！　??繁殖(包括子代突變)　　??帶有較高適應(yīng)度值的那些染色體更可能產(chǎn)生后代(后代產(chǎn)生后也將發(fā)生突變)。后代是父母的產(chǎn)物，他們由來(lái)自父母的基因結(jié)合而成，這個(gè)過(guò)程被稱為“雜交”?！　??下一代　　??如果新的一代包含一個(gè)解，能產(chǎn)生一個(gè)充分接近或等于期望答案的輸出，那么問(wèn)題就已經(jīng)解決了。如果情況并非如此，新的一代將重復(fù)他們父母所進(jìn)行的繁衍過(guò)程，一代一代演化下去，直到達(dá)到期望的解為止?！　??并行計(jì)算　　??非常容易將遺傳算法用到并行計(jì)算和群集環(huán)境中。一種方法是直接把每個(gè)節(jié)點(diǎn)當(dāng)成一個(gè)并行的種群看待。然后有機(jī)體根據(jù)不同的繁殖方法從一個(gè)節(jié)點(diǎn)遷移到另一個(gè)節(jié)點(diǎn)。另一種方法是“農(nóng)場(chǎng)主/勞工”體系結(jié)構(gòu)，指定一個(gè)節(jié)點(diǎn)為“農(nóng)場(chǎng)主”節(jié)點(diǎn)，負(fù)責(zé)選擇有機(jī)體和分派適應(yīng)度的值，另外的節(jié)點(diǎn)作為“勞工”節(jié)點(diǎn)，負(fù)責(zé)重新組合、變異和適應(yīng)度函數(shù)的評(píng)估。　　[編輯本段]遺傳算法-基本框架　　1 GA的流程圖　　GA的流程圖如下圖所示　　2 編碼　　遺傳算法不能直接處理問(wèn)題空間的參數(shù)，必須把它們轉(zhuǎn)換成遺傳空間的由基因按一定結(jié)構(gòu)組成的染色體或個(gè)體。這一轉(zhuǎn)換操作就叫做編碼，也可以稱作(問(wèn)題的)表示(representation)?！　≡u(píng)估編碼策略常采用以下3個(gè)規(guī)范:　　a)完備性(completeness):問(wèn)題空間中的所有點(diǎn)(候選解)都能作為GA空間中的點(diǎn)(染色體)表現(xiàn)?！　)健全性(soundness): GA空間中的染色體能對(duì)應(yīng)所有問(wèn)題空間中的候選解?！　)非冗余性(nonredundancy):染色體和候選解一一對(duì)應(yīng)?！　∧壳暗膸追N常用的編碼技術(shù)有二進(jìn)制編碼，浮點(diǎn)數(shù)編碼，字符編碼，變成編碼等?！　《M(jìn)值編碼是目前遺傳算法中最常用的編碼方法。即是由二進(jìn)值字符集　　a)簡(jiǎn)單易行；　　b)符合最小字符集編碼原則；　　c)便于用模式定理進(jìn)行分析，因?yàn)槟Ｊ蕉ɡ砭褪且曰A(chǔ)的?！　? 適應(yīng)度函數(shù)　　進(jìn)化論中的適應(yīng)度，是表示某一個(gè)體對(duì)環(huán)境的適應(yīng)能力，也表示該個(gè)體繁殖后代的能力。遺傳算法的適應(yīng)度函數(shù)也叫評(píng)價(jià)函數(shù)，是用來(lái)判斷群體中的個(gè)體的優(yōu)劣程度的指標(biāo)，它是根據(jù)所求問(wèn)題的目標(biāo)函數(shù)來(lái)進(jìn)行評(píng)估的?！　∵z傳算法在搜索進(jìn)化過(guò)程中一般不需要其他外部信息，僅用評(píng)估函數(shù)來(lái)評(píng)估個(gè)體或解的優(yōu)劣，并作為以后遺傳操作的依據(jù)。由于遺傳算法中，適應(yīng)度函數(shù)要比較排序并在此基礎(chǔ)上計(jì)算選擇概率，所以適應(yīng)度函數(shù)的值要取正值.由此可見(jiàn)，在不少場(chǎng)合，將目標(biāo)函數(shù)映射成求最大值形式且函數(shù)值非負(fù)的適應(yīng)度函數(shù)是必要的?！　∵m應(yīng)度函數(shù)的設(shè)計(jì)主要滿足以下條件：　　a）單值、連續(xù)、非負(fù)、最大化；　　b) 合理、一致性；　　c）計(jì)算量小；　　d）通用性強(qiáng)?！　≡诰唧w應(yīng)用中，適應(yīng)度函數(shù)的設(shè)計(jì)要結(jié)合求解問(wèn)題本身的要求而定。適應(yīng)度函數(shù)設(shè)計(jì)直接影響到遺傳算法的性能?！　? 初始群體的選取　　遺傳算法中初始群體中的個(gè)體是隨機(jī)產(chǎn)生的。一般來(lái)講，初始群體的設(shè)定可采取如下的策略:　　a)根據(jù)問(wèn)題固有知識(shí)，設(shè)法把握最優(yōu)解所占空間在整個(gè)問(wèn)題空間中的分布范圍，然后，在此分布范圍內(nèi)設(shè)定初始群體?！　)先隨機(jī)生成一定數(shù)目的個(gè)體，然后從中挑出最好的個(gè)體加到初始群體中。這種過(guò)程不斷迭代，直到初始群體中個(gè)體數(shù)達(dá)到了預(yù)先確定的規(guī)模?！　編輯本段]遺傳算法-遺傳操作　　遺傳操作是模擬生物基因遺傳的做法。在遺傳算法中，通過(guò)編碼組成初始群體后，遺傳操作的任務(wù)就是對(duì)群體的個(gè)體按照它們對(duì)環(huán)境適應(yīng)度(適應(yīng)度評(píng)估)施加一定的操作，從而實(shí)現(xiàn)優(yōu)勝劣汰的進(jìn)化過(guò)程。從優(yōu)化搜索的角度而言，遺傳操作可使問(wèn)題的解，一代又一代地優(yōu)化，并逼進(jìn)最優(yōu)解?！　∵z傳操作包括以下三個(gè)基本遺傳算子(genetic operator):選擇(selection)；交叉(crossover)；變異(mutation)。這三個(gè)遺傳算子有如下特點(diǎn):　　個(gè)體遺傳算子的操作都是在隨機(jī)擾動(dòng)情況下進(jìn)行的。因此，群體中個(gè)體向最優(yōu)解遷移的規(guī)則是隨機(jī)的。需要強(qiáng)調(diào)的是，這種隨機(jī)化操作和傳統(tǒng)的隨機(jī)搜索方法是有區(qū)別的。遺傳操作進(jìn)行的高效有向的搜索而不是如一般隨機(jī)搜索方法所進(jìn)行的無(wú)向搜索?！　∵z傳操作的效果和上述三個(gè)遺傳算子所取的操作概率，編碼方法，群體大小，初始群體以及適應(yīng)度函數(shù)的設(shè)定密切相關(guān)?！　? 選擇　　從群體中選擇優(yōu)勝的個(gè)體，淘汰劣質(zhì)個(gè)體的操作叫選擇。選擇算子有時(shí)又稱為再生算子(reproduction operator)。選擇的目的是把優(yōu)化的個(gè)體(或解)直接遺傳到下一代或通過(guò)配對(duì)交叉產(chǎn)生新的個(gè)體再遺傳到下一代。選擇操作是建立在群體中個(gè)體的適應(yīng)度評(píng)估基礎(chǔ)上的，目前常用的選擇算子有以下幾種:適應(yīng)度比例方法、隨機(jī)遍歷抽樣法、局部選擇法、局部選擇法?！　∑渲休啽P賭選擇法（roulette wheel selection）是最簡(jiǎn)單也是最常用的選擇方法。在該方法中，各個(gè)個(gè)體的選擇概率和其適應(yīng)度值成比例。設(shè)群體大小為n，其中個(gè)體i的適應(yīng)度為，則i 被選擇的概率,為　　顯然，概率反映了個(gè)體i的適應(yīng)度在整個(gè)群體的個(gè)體適應(yīng)度總和中所占的比例.個(gè)體適應(yīng)度越大。其被選擇的概率就越高、反之亦然。計(jì)算出群體中各個(gè)個(gè)體的選擇概率后，為了選擇交配個(gè)體，需要進(jìn)行多輪選擇。每一輪產(chǎn)生一個(gè)[0，1]之間均勻隨機(jī)數(shù)，將該隨機(jī)數(shù)作為選擇指針來(lái)確定被選個(gè)體。個(gè)體被選后，可隨機(jī)地組成交配對(duì)，以供后面的交叉操作。　　2 交叉　　在自然界生物進(jìn)化過(guò)程中起核心作用的是生物遺傳基因的重組(加上變異)。同樣，遺傳算法中起核心作用的是遺傳操作的交叉算子。所謂交叉是指把兩個(gè)父代個(gè)體的部分結(jié)構(gòu)加以替換重組而生成新個(gè)體的操作。通過(guò)交叉，遺傳算法的搜索能力得以飛躍提高?！　〗徊嫠阕痈鶕?jù)交叉率將種群中的兩個(gè)個(gè)體隨機(jī)地交換某些基因，能夠產(chǎn)生新的基因組合，期望將有益基因組合在一起。根據(jù)編碼表示方法的不同，可以有以下的算法：　　a)實(shí)值重組（real valued recombination）　　1)離散重組（discrete recombination）；　　2)中間重組（intermediate recombination）；　　3)線性重組（linear recombination）；　　4)擴(kuò)展線性重組（extended linear recombination）?！　)二進(jìn)制交叉（binary valued crossover）　　1)單點(diǎn)交叉（single-point crossover）；　　2)多點(diǎn)交叉（multiple-point crossover）；　　3)均勻交叉（uniform crossover）；　　4)洗牌交叉（shuffle crossover）；　　5)縮小代理交叉（crossover with reduced surrogate）?！　∽畛Ｓ玫慕徊嫠阕訛閱吸c(diǎn)交叉(one-point crossover)。具體操作是:在個(gè)體串中隨機(jī)設(shè)定一個(gè)交叉點(diǎn)，實(shí)行交叉時(shí)，該點(diǎn)前或后的兩個(gè)個(gè)體的部分結(jié)構(gòu)進(jìn)行互換，并生成兩個(gè)新個(gè)體。下面給出了單點(diǎn)交叉的一個(gè)例子：　　個(gè)體A：1 0 0 1 ↑1 1 1 → 1 0 0 1 0 0 0 新個(gè)體　　個(gè)體B：0 0 1 1 ↑0 0 0 → 0 0 1 1 1 1 1 新個(gè)體　　3 變異　　變異算子的基本內(nèi)容是對(duì)群體中的個(gè)體串的某些基因座上的基因值作變動(dòng)。依據(jù)個(gè)體編碼表示方法的不同，可以有以下的算法：　　a)實(shí)值變異；　　b)二進(jìn)制變異。　　一般來(lái)說(shuō)，變異算子操作的基本步驟如下:　　a)對(duì)群中所有個(gè)體以事先設(shè)定的編譯概率判斷是否進(jìn)行變異；　　b)對(duì)進(jìn)行變異的個(gè)體隨機(jī)選擇變異位進(jìn)行變異?！　∵z傳算法導(dǎo)引入變異的目的有兩個(gè):一是使遺傳算法具有局部的隨機(jī)搜索能力。當(dāng)遺傳算法通過(guò)交叉算子已接近最優(yōu)解鄰域時(shí)，利用變異算子的這種局部隨機(jī)搜索能力可以加速向最優(yōu)解收斂。顯然，此種情況下的變異概率應(yīng)取較小值，否則接近最優(yōu)解的積木塊會(huì)因變異而遭到破壞。二是使遺傳算法可維持群體多樣性，以防止出現(xiàn)未成熟收斂現(xiàn)象。此時(shí)收斂概率應(yīng)取較大值?！　∵z傳算法中，交叉算子因其全局搜索能力而作為主要算子，變異算子因其局部搜索能力而作為輔助算子。遺傳算法通過(guò)交叉和變異這對(duì)相互配合又相互競(jìng)爭(zhēng)的操作而使其具備兼顧全局和局部的均衡搜索能力。所謂相互配合.是指當(dāng)群體在進(jìn)化中陷于搜索空間中某個(gè)超平面而僅靠交叉不能擺脫時(shí)，通過(guò)變異操作可有助于這種擺脫。所謂相互競(jìng)爭(zhēng)，是指當(dāng)通過(guò)交叉已形成所期望的積木塊時(shí)，變異操作有可能破壞這些積木塊。如何有效地配合使用交叉和變異操作，是目前遺傳算法的一個(gè)重要研究?jī)?nèi)容?！　』咀儺愃阕邮侵笇?duì)群體中的個(gè)體碼串隨機(jī)挑選一個(gè)或多個(gè)基因座并對(duì)這些基因座的基因值做變動(dòng)(以變異概率P.做變動(dòng))，(0，1)二值碼串中的基本變異操作如下:　　基因位下方標(biāo)有*號(hào)的基因發(fā)生變異。　　變異率的選取一般受種群大小、染色體長(zhǎng)度等因素的影響，通常選取很小的值，一般取0.001－0.1?！　〗K止條件　　當(dāng)最優(yōu)個(gè)體的適應(yīng)度達(dá)到給定的閥值，或者最優(yōu)個(gè)體的適應(yīng)度和群體適應(yīng)度不再上升時(shí)，或者迭代次數(shù)達(dá)到預(yù)設(shè)的代數(shù)時(shí)，算法終止。預(yù)設(shè)的代數(shù)一般設(shè)置為100-500代。　　[編輯本段]遺傳算法-求解算法的特點(diǎn)分析　　遺傳算法作為一種快捷、簡(jiǎn)便、容錯(cuò)性強(qiáng)的算法，在各類結(jié)構(gòu)對(duì)象的優(yōu)化過(guò)程中顯示出明顯的優(yōu)勢(shì)。與傳統(tǒng)的搜索方法相比，遺傳算法具有如下特點(diǎn)：　　a)搜索過(guò)程不直接作用在變量上，而是在參數(shù)集進(jìn)行了編碼的個(gè)體。此編碼操作，使得遺傳算法可直接對(duì)結(jié)構(gòu)對(duì)象（集合、序列、矩陣、樹(shù)、圖、鏈和表）進(jìn)行操作?！　)搜索過(guò)程是從一組解迭代到另一組解，采用同時(shí)處理群體中多個(gè)個(gè)體的方法，降低了陷入局部最優(yōu)解的可能性，并易于并行化?！　)采用概率的變遷規(guī)則來(lái)指導(dǎo)搜索方向，而不采用確定性搜索規(guī)則?！　)對(duì)搜索空間沒(méi)有任何特殊要求（如連通性、凸性等），只利用適應(yīng)性信息，不需要導(dǎo)數(shù)等其它輔助信息，適應(yīng)范圍更廣?！　編輯本段]術(shù)語(yǔ)說(shuō)明　　由于遺傳算法是由進(jìn)化論和遺傳學(xué)機(jī)理而產(chǎn)生的搜索算法，所以在這個(gè)算法中會(huì)用到很多生物遺傳學(xué)知識(shí)，下面是我們將會(huì)用來(lái)的一些術(shù)語(yǔ)說(shuō)明：　　一、染色體(Chronmosome)　　染色體又可以叫做基因型個(gè)體(individuals),一定數(shù)量的個(gè)體組成了群體(population),群體中個(gè)體的數(shù)量叫做群體大小?！　《?、基因(Gene)　　基因是串中的元素，基因用于表示個(gè)體的特征。例如有一個(gè)串S＝1011，則其中的1，0，1，1這4個(gè)元素分別稱為基因。它們的值稱為等位基因(Alletes)。　　三、基因地點(diǎn)(Locus)　　基因地點(diǎn)在算法中表示一個(gè)基因在串中的位置稱為基因位置(Gene Position)，有時(shí)也簡(jiǎn)稱基因位?；蛭恢糜纱淖笙蛴矣?jì)算，例如在串 S＝1101 中，0的基因位置是3?！　∷?、基因特征值(Gene Feature)　　在用串表示整數(shù)時(shí)，基因的特征值與二進(jìn)制數(shù)的權(quán)一致；例如在串 S=1011 中，基因位置3中的1，它的基因特征值為2；基因位置1中的1，它的基因特征值為8。　　五、適應(yīng)度(Fitness)　　各個(gè)個(gè)體對(duì)環(huán)境的適應(yīng)程度叫做適應(yīng)度(fitness)。為了體現(xiàn)染色體的適應(yīng)能力，引入了對(duì)問(wèn)題中的每一個(gè)染色體都能進(jìn)行度量的函數(shù)，叫適應(yīng)度函數(shù). 這個(gè)函數(shù)是計(jì)算個(gè)體在群體中被使用的概率。　　[編輯本段]參考資料　　1.《計(jì)算機(jī)教育》第10期作者：王利　　2.遺傳算法——理論、應(yīng)用與軟件實(shí)現(xiàn) 王小平、曹立明著　　3.同濟(jì)大學(xué)計(jì)算機(jī)系王小平編寫(xiě)的程序代碼　　參考資料　　1. 中新網(wǎng)：英13歲少女患家族遺傳怪病滿臉皺紋像老人，2010年01月27日http://www.chinanews.com.cn/gj/gj-ywdd2/news/2010/01-27/2094204.shtml

兩片綠葉托起了一個(gè)孩子，而在綠葉的根部是一個(gè)白裙飄飄的老師，也就是說(shuō)是老師脫起了孩子的未來(lái)，讓孩子伸出雙手擁抱陽(yáng)光