群体遗传学基础范文第1篇

关键词：软件测试；测试用例；遗传算法；选择算子；交叉算子；突变算子

中图分类号：TP311

文献标识码：A 文章编号：1672-7800（2015）005-0095-03

作者简介：喻婧（1991-），女，福建莆田人，武汉工程大学计算机科学与工程学院硕士研究生，研究方向为软件工程；易国洪（1970-），男，湖北武汉人，博士，武汉工程大学计算机科学与工程学院副教授、 硕士生导师，研究方向为软件工程、计算化学。

0 引言

据统计，软件测试的费用约占软件开发总成本的50%，实现软件测试过程的自动化成为必然趋势，而实现测试过程自动化的关键在于自动生成软件测试用例[1]。自动生成测试用例，将改变靠直觉、经验生成测试用例的传统做法，可显著提高软件测试效率，减轻编写大量测试用例的工作量。目前，软件测试自动化工具研究主要集中在测试用例执行和维护，以及测试覆盖度量等方面，测试用例自动生成。本文探讨基本遗传算法，针对其缺陷进行改进，并且通过实验验证改进算法的有效性和可行性。

1 基础遗传算法

遗传算法由美国John Holland教授提出，模拟了达尔文的生物进化过程中自然选择和计算模式。其主要特征为：能直接操作结构对象，不受导数和函数连续性的限制；有隐藏的固有并行性以及更好的全局最优化能力；通过概率优化方法能自动访问及引导到最优搜索区间，适应性地调整搜索方向，不需要建立规则[2]。它尤其适用于处理传统搜索难以解决的复杂和非线性问题，可广泛应用于组合优化、机器学习、自适应控制、规划设计和人工生命等领域。

遗传算法可形式化描述为[3]GA={Γ，Pop，S，M，T，C，π}，其中Γ={x|f（x）}；设个体为Rani，，则Pop={Ran1，Ran2，…Rani，i∈（0，π）}；S={，i = 1，2，...N}；M表示突变算子；T表示终止条件；C表示交叉算子，π表示种群大小。遗传算法由选择算子、突变算子、交叉算子3个基本算子组成。通过这3个基本算子，可以从一个初始种群Pop出发，产生期望的改良种群。标准遗传算法流程如图1所示。

遗传算法中普遍存在进化停滞问题[4]。这意味着大量个体陷入局部极值，并且趋于一致，无法改进，也不能通过交叉操作或者突变操作来生成新个体。为改进这些缺点，本文通过改进遗传算法，提高种群搜索速度及保证收敛概率。

基础遗传算法的选择算子随机选择个体，没有目的性，很可能错过较优个体，而选择了较差个体，不利于后期操作。在交叉操作中，最简单的交叉操作是单点交叉，即选择种群中的两个个体，在个体的位串中随机选择交叉点，然后交换两个位串的尾部，形成两个新的个体。当参数数量增加时，位串长度也随之增加。只有单点交叉，位串的结构化改变很小，对于引进新的信息不具建设性，会降低搜索效率。突变操作是在一定概率下对个体进行变异，带有很强的不确定性，可能较优的个体经过突变后变差了，不利于优化。

编码是通过一个特殊字符串来展示目标问题的解，描述问题解空间以及遗传算法相应的编码空间。编码过程是遗传算法的基础，编码方法不仅仅决定个体染色体排列形式，还通过遗传算法空间的基因型到问题空间的表型来决定个体的编码方法。同时，编码方法也影响遗传算子的计算方法。

2 改进的遗传算法

本文使用最常见的二进制编码方法。二进制编码方法是遗传算法中最基本、最常用的编码方法。同时，二进制编码也是最小的编码单元，易于编码和解码，易于实现交叉和突变操作。

本文针对基础遗传算法的缺陷，依次对选择算子、交叉算子、突变算子3个算子进行改进，后续算子的改进建立在前面算子改进的基础上，并分别对改进进行实验。分别将3个改进的算法命名为SO（selection operator），SACO（selection and cross operator），SCAMO（selection cross and mutation operator）。

在SO算法中，本文通过适应度值来选择个体，选择适应度值高于平均值的个体，保持当前最优解；在SACO算法中，在SO的基础上，对于交叉算子，本文增加交叉点，将单点交叉改成多点交叉，交叉点可以落在每个参数的位串，实现每个参数位串中的单点交叉；在SCAMO算法中，在SACO的基础上，对于突变算子，采用基本的位突变，首先随机选择一个个体的一个变量，然后随机确定染色体代码对的可变点位置。不对每代都进行突变操作，只有在经过几代（比如经过四代）交叉操作后得到的最优个体没有改变的情况下，才对这个新种群进行突变。代表性地，突变控制的一般值为0.001～0.1。

选择适应性函数直接影响遗传算法的收敛速度和找到最优解的能力，遗传算法评价一个解的好坏不仅取决于其解的结构，而且取决于相应解的适应值。因此，根据实验问题要求，设计适应性函数如下：

f=63￡+∑3i=1fi（1）

其中f1，f2，f3是插装程序的分支函数。

改进的遗传算法3个算法描述如下：

SO：根据适应值高低选择个体，即对整个种群求其平均值，选择适应度值高于平均值的个体，淘汰适应度值低于平均值的个体；

SACO：在SO的基础上，保留当前最优的两个个体，不对其进行交叉操作。对两两个体中的染色体进行多位交换（本文假设进行三位交换），然后将染色串平均分成3等份，对各等份中的染色体进行随机定位交换。

SCAMO：在SACO的基础上，对每代经过交叉后生成的新种群进行审查，并记录代数。如果经过一定代数选择操作后，生成新种群中的最优个体没有变化，则对其进行随机位突变操作。

根据上述算法描述，相应代码（只展示不同于其它算法的部分）如下：

2.1 选择算子算法

Function selectionOperator（）

n0；//初始化种群n

fit[]{0}；//初始化适应度值数组

for each 个体 in 种群

fit[i] f（i）；

avgsum（fit[i]）/n //求种群的平均值

EndFor

newPop[]{0}；//初始化空种群newPop；

for each 个体 in 种群

if （f（i） > = avg）

newPop.add（f（i））；//将i个体加入到newPop中；

EndFor

EndFunction

2.2 交叉算子算法

Function crossOperator

for each 个体 in 要用来交叉的个体数 //交叉个体数根据交叉概率计算

randRandom.next %total； //total为种群中全部个体适应度值的和

if（rand

for each 参数 in 组成位串的参数个数n

for each 基因 in 参数染色体长度//范围从rand到染色体长度，即z=rand

//将第i个个体组成染色体的第j组参数从z到参数染色体末尾与第i+1个体进行交换

newPop[i].chromosome[j*n+z]？ newPop[i+1].chromosome[j*n+z]；

EndFor

EndFor

i++；

EndFor

EndFunction

2.3 突变算子算法

Function mutationOperator（）

n0； //n为算法中根据实际情况设置的允许最高适应度值相等的代数

if（maxNumber[i]到maxNumber[i+n]之间的n个值相等） //如果在存放最大值的数组中，连续n个值相等，则进行突变操作

for each 个体 in 新种群 // newPop中的种群进行给定概率的突变

randRandom.next；

if（newPop[z].chromsome[rand]=1）

newPop[z].chromsome[rand]0；

if（newPop[z].chromsome[rand]=0）

newPop[z].chromsome[rand]1；

EndFor

EndFunction

通过上述改进，使选择过程有目的性，为后续操作提供有利条件；让交叉操作在每个参数的位串上更有效率，并且充分发挥交叉的力量，改善搜索的效率；使得突变操作减少不可控性，可以更加迅速的朝有利方向趋近。

3 实验研究

为证明改进遗传算法生成测试用例相对于基本遗传算法的优越性和有效性，在win7系统上，用Java语言编写改进的遗传算法。以三角形判别问题作为被检测程序，检验算法运行效果。在诸多软件测试研究中都将三角形分类程序作为一个基准程序来使用，Berndt[5]、Michael[6]、Wegener[7]、Lin and Yeh[8]等都在使用遗传算法进行路径测试的研究中使用三角形问题作为检验测试用例生成例程。此程序中输入的参数是组成三角形的三条边，范围为[0，63]。通常选择几个分支组成一个路径作为程序测试的主要目标。本文选择等边三角形作为输出路径，因为等边三角形的路径是最难的，而且对于此程序，其被搜索的概率为25/（25）3=2-10，这意味着如果用随机方法生成子代，3个相等的边直到子代生成次数超过一千多次时才会生成远远多于其它路径。

试验中，首先分析过程和测试程序的路径，然后插装到程序中，并且分别设置参数，分别用基本遗传算法和改进遗传算法来生成10个等边三角形测试用例，当生成测试用例时记录迭代数量G，执行时间T以及获得正确解的个数，并计算平均运行代数以及平均运行时间，获得解的个数作为衡量算法效率的主要指标[10]。结果如图2所示（种群大小：500，最大跌代数：300，交叉概率0.7，突变概率0.05，路径：等边三角形）。

从改进结果可以看出，改进的遗传算法不论是在运行代数、运行时间，还是解的个数看，都远远优于基本遗传算法。

4 结语

本文探讨了基本遗传算法的准则，并针对遗传算法的缺点进行改进，通过实验证明改进的遗传算法相对于基本遗传算法的优越性。由于交叉操作和突变操作存在一定的不可控性，可能导致算法在运行一定的代数内得不到解。下一步将着重研究从基本遗传算法的每个要素上最大限度减少交叉操作和突变操作中带来的不可控性，提高效率。

参考文献：

[1] P MCMINN. Search-based software test data generation：a survey，software testing[J]. Verification and Reliability， 2004（56）：105-156.

[2] KOREL B. Automated software test data generation [J]. IEEE Trans on Software Engineering， 1990， 16（8） ：870-879.

[3] 张文修，梁怡.遗传算法的数学基础（第二版） [M].西安：西安交通大学出版社，2003（5）：125-129.

[4] 玄光南.遗传算法与工程化 [M].北京：清华大学出版社，2004：62-74.

[5] BERNDT D， FISHER J， JOHSON ，et al. Breeding software test cases with genetic algorithms[C]. 36th annual Hawaii Int. Conference on System Sciences（HICSS’03），2003：16-22.

[6] MICHAEL C， MCGRAW G， SCHATZ M. Generating software test data by evolution[J]. IEEE Transactions On Software Engineering， 2001， 27（12）：11-18.

[7] WEGENER J， BARESEL A， STHAMER H. Evolutionary test environment for automatic structural testing[J]. Information and Software Technology， 2001， 43（14）： 841-854.

[8] BORGELT K. Software test data generation from a genetic algorithm[M]. CRC Press 1998：23-28.

群体遗传学基础范文第2篇

南方红豆杉细胞培养及次生代谢研究

红豆杉资源非常有限且紫杉醇含量极低，远远无法满足市场的需求。植物细胞培养具有繁殖速度快，培养条件易于优化，培养过程易于人工控制，不受时间、地域等因素的限制等优点。因此，采用红豆杉细胞培养生产紫杉醇以及对紫杉醇合成代谢途径进行调控来提高紫杉醇的产量已成为当今国内外学者研究的热点课题之一，并已取得了较大进展。对其细胞培养、紫杉醇合成与代谢调控、扩大培养及分离纯化[16-19]等方面开展了广泛深入的研究，研究发现，营养调控[20-23]、物理控制[24-26]、前体饲喂[27]、添加抑制剂[28]、诱导子调控[20-21,29-33]、双液相培养[34]、两步法培养[35]等一系列技术均能影响南方红豆杉的次生代谢。细胞离体培养缩短了培养周期，这样不仅有利于培养条件的优化，也为通过多种诱导途径来提高细胞中次生代谢产物的含量成为可能，南方红豆杉组培体系的不断完善为进一步研究次生代谢产物的合成与代谢奠定了良好基础。细胞培养的最终目的是为了提高紫杉醇的产量，因此利用生物反应器替代摇瓶进行红豆杉细胞规模培养以及工业化生产就成为另一个研究热点和重点。目前，喜马拉雅红豆杉[17]、中国红豆杉[36-37]、欧洲红豆杉[17]、曼地亚红豆杉[38]和云南红豆杉[39]等均实现了生物反应器的大规模培养，部分并已投产[38]。但南方红豆杉细胞悬浮培养尚未实现生物反应器的大规模培养，还正处在研究阶段。另外，近几年来，国内外利用微生物发酵来生产紫杉醇的研究报道也不少，但目前利用内生真菌来产生紫杉醇的产量并不高，尚未能进行工业化。

南方红豆杉分子标记研究

近年来，随着分子生物技术的迅速发展，植物在蛋白质和DNA水平上的遗传多样性研究取得了突破性的进展，并在物种鉴定和濒危物种保护中得到广泛的应用。20世纪90年代以来，分子标记技术被广泛用于动、植物遗传育种、基因诊断、居群遗传学、生物系统学与进化研究上，如RAPD标记技术和ISSR分子标记技术，这2种分子标志均可揭示种间与种内的遗传多样性及其进化的亲缘关系（但后者比前者稳定性和重复性要好），可进一步为开展植物分子辅助育种、遗传转化及其转基因等方面的研究提供有价值的理论依据。2000年，王艇等[40]采用RAPD技术，在分子水平上对南方红豆杉的系统发育进行了探讨。2003年，张宏意等[41]通过随机扩增多态性方法对广东、湖南、江西3省的12个南方红豆杉自然居群进行了基因组DNA多态性分析，分析表明南方红豆杉居群间的遗传距离与这些居群的地理分布相关，相同或相邻产地的居群间的遗传距离较小，不同产地个体间的遗传距离较大。2005年，王贵荣等[42]通过对6个红豆杉种进行RAPD遗传多样性分析和染色体鉴定，得出南方红豆杉与中国红豆杉的遗传距离最小，红豆杉与曼地亚红豆杉的亲缘关系最远，6个红豆杉种染色体数均为2n=24，为进一步保护和利用中国的红豆杉资源提供进化分子遗传学方面的依据。2007年，李振宇[43]根据cpDNA基因间隔区对南方红豆杉的种群遗传结构和系统地理进行了研究，同年，黄丽洁[44]采用叶绿体SSR技术对南方红豆杉的遗传多样性和遗传距离进行了研究，并认为南方红豆杉具有中等水平遗传多样性，不同地区间遗传分化小，种群和地区间基因流较大。2008年，茹文明等[45]通过RAPD技术对南方红豆杉8个自然种群的遗传多样性进行了分析，得出南方红豆杉种群濒危的主要原因不是其遗传多样性，而可能是由其本身生物学和生态学特性及其生存环境破坏所致的。为进一步探讨南方红豆杉濒危原因和对该物种的保护、进化潜力及种质资源利用等方面提供分子遗传学数据。2009年，张蕊等[46]利用ISSR分子标记对来自10省区15个南方红豆杉代表性种源进行了种源遗传多样性及地理变化、种源遗传分化等方面的研究，得出了与上面相一致的结论。同年，张玲玲[47]通过RAPD和ISSR2种分子标记对福建省的南方红豆杉遗传多样性进行了初步研究，并对其RAPD和ISSR2种指纹图谱进行了比较分析。2010年，李乃伟等[48]采用ISSR标记技术对南方红豆杉迁地保护小种群及其衍生自然种群小斑块（小居群）的遗传多样性进行了分析。结果表明，南方红豆杉迁地保护各自然小居群间的遗传距离与其地理生境有关，而与其地理距离并无显著的相关性。2011年，李乃伟等[49]又对南方红豆杉野生种群、迁地保护栽培种群及迁地保护衍生种群的遗传多样性和遗传结构进行ISSR分析和比较，得出南方红豆杉迁地保护衍生种群的遗传多样性与野生种群接近，这为南方红豆杉的物种迁地保护提供了有力依据。

群体遗传学基础范文第3篇

[关键词]林麝；分子遗传学；分子标记；人工繁育；泌香

林麝Moschusberezovskii又名麝鹿、香獐，属偶蹄目Artiodactyla、麝科Moschidae、麝属Moschus，是目前养殖规模较大、数量最多的麝科动物之一。雄麝香腺分泌的外激素――麝香在传统中药领域发挥着重要的作用[1-2]。由于国际香料市场和医疗行业对麝香需求量的大增，人类“杀麝取香”和对其栖息地的严重破坏，已使该物种野生种群数量急剧减少，现存麝类已面临濒危。目前，林麝已被列人CITES附录Ⅰ中，《中国濒危动物红皮书》将麝列为濒危或易危动物[3]。我国1988年颁布的野生动物保护法将林麝列为国家二级保护动物，2002年又将其提升为一级保护动物。麝的珍贵引起了许多生物学工作者的浓厚兴趣，在林麝的生态学[4]、行为学[5]、分类学[6]、生理学[7]以及麝香的药理学与临床应用[8]等方面开展了积极的探索。

近年来，随着现代生物技术的不断发展，细胞生物学、分子生物学等新兴生物技术开始被不断地运用到林麝遗传育种工作中，为林麝的育种保护工作注入新的活力。其中，以新兴发展起来的分子遗传标记技术最引人注目，分子遗传标记的出现使基于此类标记的选择育种技术有了实现的可行性，显现出了巨大的应用潜力。当前，分子遗传标记在林麝遗传育种中的应用主要体现在遗传分类、人工繁育、泌香、疾病等方面。本文就分子遗传学在林麝研究中的应用现状做一综述，并对后期研究进行了展望，以期为提高林麝的生产性能提供参考。

1林麝分子遗传标记

分子遗传标记是基于DNA差异进行个体或群体遗传多样性分析的有力工具。常用于林麝遗传多样性分析的分子标记方法有AFLP，mtDNA，微卫星DNA等。

AFLP技术在种群结构和差异的调查中起着非常重要作用[9]。陈轩[10]根据AFLP分子标记的特点，以四川养麝研究所白沙养麝场21只林麝样品和金凤山养麝场14只林麝样品为材料，对2个种群的遗传多样性进行了比较分析，结果发现四川养麝研究所白沙养麝场圈养的2个林麝种群均具有较高水平的遗传多样性，但金凤山种群具有相对较高的遗传多样性。赵莎莎[11]利用相同的原材料进一步检测了22对选择性引物组合，共获得了908个AFLP多态片段，结果证明了麝香高产组在多态位点比率（PPL）上极显著高于参照组和低产组，在遗传多样性水平上也有更高的整体竞争优势。

mtDNA是核外遗传物质，由于mtDNA的控制区富含A，T碱基，属于遗传高变区，进化速度比其他区域快，多态性丰富，常被应用到野生动物群体遗传多样性检测中。彭红元等[12]通过分析四川省3个本地种群中林麝mtDNA控制区域582bp片段，发现94个变异位点，在109个个体中检测出27个单倍型，表明3个群体间很少进行遗传交流，建议建立系谱以增加群体间基因的交流。2014年，冯慧等[13]调查了陕西省林麝1个圈养种群3个野生种群mtDNAD-Loop632bp片段的遗传多样性和种群结构，结果表明，陕西省林麝群体mtDNAD-loop区序列存在着较丰富的变异和遗传多样性，凤县野生群体和凤县养殖场群体的核苷酸多样性和单倍型多样较高，养殖场种群没有出现近亲繁殖及遗传多样性下降的情况。凤县野生群体和凤县养殖场群体两者遗传分化较小，存在着较高的基因流水平。

微卫星DNA广泛分布与真核生物基因组中，具有多态性高、共显性遗传、选择中性、易于操作等特点，是一种极具应用价值的分子遗传标记，由于微卫星重复序列在群体间和不同的个体间通常表现出很高的序列变异性，并且这种变异呈共显遗传，因而在微卫星重复序列广泛应用于物种遗传多样分析。2004年，邹方东[14]运用微卫星标记法构建了3个林麝基因组微卫星富集文库，每个文库含有上万个转化子。2005年，Zou等[15]又运用了改进的富集文库方式来分离微卫星位点，获得了野生林麝的多态位点，结果发现70%的基因组文库为（AC）_n文库，8个微卫星位点呈现高度多态性，可作为研究林麝的分子遗传标记。2006年，夏珊[16]对构建林麝的微卫星文库筛选了6个多态性好的座位，并对林麝的遗传多样性进行初步的分析，6个微卫星座位的多态信息含量（PIC）最低为0.6214，最高为0.7984，说明这6个林麝微卫星座位具有高度多态性，进一步证明了微卫星DNA是很好的分子遗传标记。

2林麝遗传分类研究

目前，对林麝的遗传分类有3种研究手段，分别为形态解剖学、细胞遗传学和分子生物学。一种是根据外形、头骨和距骨的形态特点以及生态习性、分布等认为麝确是一个独立物种[17]。陈服官等[18]根据林麝生物标本，再一次肯定了这种分类方法。林麝作为麝科动物一个亚种除了在形态解剖学上得到了明确的肯定外，从细胞遗传学特征来看，也得到了有力的支持。细胞的染色体组型和染色体带型都代表着种的特性，它为不同物种在分类研究和确定其在进化过程中的位置提供了一个重要的依据。2004年，邹方东等[19]以林麝外周血淋巴细胞为实验材料，首先建立了适合林麝淋巴细胞增殖的培养体系，并用培养出的细胞制备染色体，确定林麝核型是2N=58，且全都是端着丝粒染色体，还首次应用染色体G-带技术，对林麝染色体的G-带带型进行了研究，确定了林麝染色体是2N=58，且全都是端着丝粒染色体，这与其他鹿科动物存在较大差异。结果表明，从细胞遗传学角度将麝分为单独一科也是比较合理的。

随着分子生物学的发展，麝作为独立的科在分子水平上相继得到了印证。Kuznetsova等[20]对鹿科家族成员和其他偶蹄动物的线粒体基因12S和16SrRNA（2445bp）的序列和核β-spectrin基因（828bp）的区域进行分析，发现鹿科和麝存在几个分子共源性特征。刘学东等[21]则利用测得梅花鹿、坡鹿、原麝和林麝的线粒体12SrRNA基因全序列，与GenBank中检索到的鼷鹿、长颈鹿和牛12SrRNA基因全序列进行对比，分别应用ME，ML，MP方法重建系统树，发现3种树拓扑结构一致，结果显示麝、鹿、牛、长颈鹿均各自为单系群，且麝作为一个单系进化。此外，采用PCR技术和序列测定方法从线粒体DNA上得到367bp的细胞色素b基因片段序列，分析其序列可得出在麝、獐、麂和鹿的系统进化中，麝约在600万年前与鹿科分歧，而鹿科的3个亚科是在350～500万年前开始分歧，表明麝可单独作为麝科[22]。张亮则采用克隆SRY基因的CDS区的方法，得到林麝和马麝的SRY基因，对其进行分析显示，支持麝作为独立一科的观点[23]。2009年，彭红元等[12]测定了林麝全线粒体序列，分别运用MP，Baryes方法与其他22种反刍亚目的动物相关基因序列进行系统进化分析，表明林麝与鹿科动物的亲缘关系最为接近，并单独形成一支，在牛科和鹿科之前分化出来，为鹿科、牛科互为姐妹群。2012年，冯慧等[13]从秦岭林麝的毛发样品中提取得到线粒体DNACytb基因的部分序列，并对其进行序列分析，发现林麝、原麝、马麝、喜马拉雅麝、黑麝是5种独立的种，林麝与原麝的亲缘关系最近，进一步弥补了现有形态分类研究的不足，得到更有说服力的分析结果。截至目前，运用各种克隆方法得到的林麝DNA序列，对其分析后发现其遗传学分类与形态解剖学、细胞遗传学得到的结果是相同，对麝作为单独一个物种的结果进行了充分的肯定。

3林麝分子遗传学在人工繁育上的应用

经过50多年的发展，我国在林麝的人工繁育方面取得了不少优秀成果。但是，由于基础研究及资金等方面的问题，我国的圈养林麝规模一直徘徊在6000只左右[24]，并且在林麝养殖过程中出现的种群退化、后代抗病力下降等问题也不断凸显，因此，加大对林麝的人工繁育研究，特别是基础研究工作力度显得尤为重要。2004年，邹方东等[25]首次成功克隆了与林麝生殖相关的核β-A亚基成熟肽序列，为林麝的人工繁育和麝资源的保护利用提供了相关基础资料。也有人对俄罗斯西伯利亚地区、远东地区和萨哈林岛的麝进行遗传多样性分析，发现随着栖息地的分裂，麝的近亲繁殖遗传多样性在不断上升，进而出现种群隔离现象[26]。此外，岳碧松研究团队对四川省米亚罗、金凤、马尔康3个养殖场的林麝进行微卫星分析，表明都是有效的群体规模，其遗传结构具有重要的保护意义，并建议在林麝人工育种时应当充分考虑这种遗传结构[27]，这为林麝的选育工作提供了新的认识。2013年，岳碧松研究团队再次对四川米亚罗地区人工繁育林麝的多态性进行微卫星分析，发现由于引入新的血缘，林麝的杂合程度和遗传多样性在不断增加[28]，为林麝的人工繁殖管理提供了一种新的方法。

4分子遗传学与林麝泌香的关系

获取麝香是保护林麝遗传资源的本质因素，提高麝香的产量，对林麝泌香相关的研究已经从组织解剖水平深入到泌香分子机制的研究。陈轩[10]分析了林麝AFLP的多态性与产香量的关系，筛选出34个在高产组和低产组间等位基因频率分布有显著（P参照组>低产组（P

白康[29]采用PCR-SSCP、测序分析等生物技术手段对雄性激素受体（AR）基因外显子1，4，8进行研究，结果显示，AR基因外显子1，4，8在所做样本中不存在多态性，说明雄性林麝AR基因外显子（1，4，8）在林麝中具有高度保守性。王勤等[30]克隆了调控林麝的繁殖和泌香的重要垂体激素FSH-β和LH-β基因，这为开展林麝泌香过程中基因表达的关联分析提供了一定的理论依据。

5分子遗传学与林麝疾病相关分析

麝类疾病是长期阻碍林麝人工养殖发展的关键因素。随着分子生物学的发展，分子遗传标记技术已经运用到林麝的疾病诊治过程中，这为寻找麝类疾病起因，制定相应抗体提供了一种新的借鉴方法。罗燕等[31]对林麝肺源致病性Escherichiacoli毒力基因进行了检测及鉴定，为进一步研究林麝肺源致病性E.coli的致病机制奠定了基础，同时为防治林麝E.coli性肺炎提供了依据。2013年，邹丹丹等[32]克隆和表达了林麝IL-1β基因，为其用于林麝疾病的防治奠定基础。李灵等[33]以四川养麝研究所的115只林麝个体为对象，通过对MHCⅡ类经典的DR和DQ座位的分离、遗传变异分析和化脓性疾病相关性的分析，揭示了林麝MHCⅡ基因多态性的维持机制及其与化脓性疾病的密切关系。周鑫等[34]为调查林麝肺源致病性大肠杆菌O因子血清型以及相关耐药基因的流行状况，采用玻板凝集反应法进行O因子血清型鉴定，同时用PCR方法检测耐药基因，发现29株菌皆携带多种耐药基因，这对林麝临床科学合理用药有重要指导意义。

6问题及展望

6.1存在的问题

6.1.1林麝驯化程度低，对分子遗传工作的开展带来极大不便从1958年以来，全国陆陆续续开展了林麝的驯化研究，并取得了一定的成果，其中包括陕西镇坪、四川马尔康、重庆南川等养殖基地[35-37]。但由于科研经费有限及林麝养殖效益等问题，驯化研究并没有持续，这造成了林麝的驯化程度很低。这给林麝分子遗传研究过程中的样品采集、生产性能测定等工作带来极大不便，也给林麝带来强烈的应激反应。强烈的应激反应不仅给实验数据的可靠性与稳定性造成一定程度的影响，还对林麝自身的健康造成不利影响。

6.1.2林麝为一级保护动物且价格昂贵，限制了某些分子遗传相关工作的开展林麝为国家一级珍稀濒危药用动物，不允许因为科学研究而对林麝有任何伤害，因此无法及时地采集林麝内脏进行深入的分子生物学相关研究，只能采集林麝毛发、血液或因疾病死亡林麝的内脏，这给林麝分子遗传学相关研究带来了不便。同时，由于林麝资源量有限，存在非常严重的炒种情况，目前每对林麝的价格被炒到7万元，昂贵的种源成本大大降低了林麝产香的盈利能力，也大大提高了林麝研究的成本，这种现象不仅严重阻碍了林麝分子遗传相关研究，而且不利于整个林麝养殖产业的健康发展。

6.1.3相关科研人员稀缺，发展缓慢目前，相对与其他常见动物，从事林麝相关工作的人员极少，主要分布在四川养麝研究所、重庆市药物种植研究所、四川大学、华东师范大学、浙江大学、陕西动物研究所等科研院所，几乎没有进行过林麝养殖行业的专题研讨及技术交流会。因此先进的分子生物学技术在林麝上应用的时间相对靠后，这也大大地降低了林麝遗传学相关研究的进展。

6.2展望

6.2.1麝香资源奇缺是林麝分子遗传学研究开展的内在动力麝香具有极高的药用价值，但由于麝香的产量极低，远远不能满足市场需求，这使得麝香的价格长期维持在黄金的3倍左右，因此，提高麝香产量就成为了林麝养殖行业的最重要目标。但由于林麝资源量极少且驯化程度低，传统遗传育种方法很难在林麝上得到顺利开展，因此通过分子遗传学方法筛选麝香高产分子标记越来越成为关注的焦点。

6.2.2新技术新方法的应用将大大加快林麝分子遗传学研究进展林麝分子遗传学研究随着分子生物技术的不断进步已经取得了长足发展，DNA条形码鉴定物种技术[38]、DNA分子性别鉴定技术[39]已成功运用在林麝遗传资源保护与与繁育工作中。然而，相对于林麝如此丰富的遗传背景，仅靠分子生物学技术远远不够，而且相关的研究成果得不到充分应用，因此有必要进一步了解林麝的遗传结构，将传统研究方法和分子生物技术相结合，了解其遗传结构差异和特征，进行针对性保护和利用。另外，为了促进人工养麝事业的发展，提高林麝种群增长率和麝香产量，须继续加强对林麝的泌香性状、疾病抗性等表型的标记研究，为实现标记辅助选择（MAS），加速良种培育打下基础。

[参考文献]

[1]中国药典.一部[S].2010：361.

[2]安谈红.麝香药用价值研究[J].吉林农业，2010（8）：211.

[3]李天培.古老珍贵的物种――麝[J].中学生物学，2004（3）：9.

[4]姜海瑞，薛文杰，徐宏发.林麝的生物学特性、资源现状及保护对策[J].生物学教学，2012（5）：7.

[5]卫宁.圈养雄性林麝期与非期主要行为的研究[D].北京：北京林业大学，2014.

[6]GrovesPC，冯祚建.安徽省麝的分类地位[J].兽类学报，1986，6（2）：105.

[7]韩增胜，杨长锁，李青旺，等.林麝生殖生理和繁殖性能观察研究[J].西北农林科技大学学报：自然科学版，2003，31（6）：103.

[8]陈怡君，钟玉绪，董武，等.麝香酮对斑马鱼胚胎的发育毒性[J].中国药理学与毒理学杂志，2014，28（2）：267.

[9]朱伟铨，王义权.AFLP分子标记技术及其在动物学研究中的应用[J].动物学杂志，2003，38（2）：101.

[10]陈轩.林麝AFLP的多态性研究及产麝性能的标记分析[D].杭州：浙江大学，2007.

[11]赵莎莎.圈养林麝遗传多样性及泌香性能关联标记的分析研究[D].杭州：浙江大学，2009.

[12]彭红元，张修月，岳碧松.林麝线粒体基因组扩增及其序列结构的初步分析[J].玉林师范学院学报，2011，32（2）：63.

[13]冯慧，冯成利，刘晓农，等.林麝毛发DNA的提取及系统发育分析[J].西北农业学报，2012，23（8）：14.

[14]邹方东，岳碧松，张义正.林麝（Moschusberezovskii）微卫星的分离与多态性研究[C].南充：四川动物学会第八次会员暨第九次学术年会，2004.

[15]ZouFD，YueBS，XuL，etal.Isolationandcharacterizationofmicrosatellitelocifromforestmuskdeer（Moschusberezovskii）[J].ZoolSci，2005，22（5）：593.

[16]夏珊.林麝（Moschusberezovskii）微卫星分子标记筛选及其应用研究[D].成都：四川大学，2006.

[17]高耀亭.中国麝的分类[J].动物学报，1963（3）：479.

[18]陈服官，闵芝兰，黄洪富，等.陕西省秦岭大巴山地区兽类分类和区系研究[J].西北大学学报，1980（1）：137.

[19]邹方东，岳碧松，张义正，等.林麝染色体制备方法及核型与G-带带型研究[J].兽类学报，2004，24（2）：115.

[20]KuznetsovaMV，KholodovaMV，DanilkinAA.Molecularphylogenyofdeer（Cervidae：Artiodactyla）[J].Genetika，2005，41（7）：910.

[21]刘学东，郑冬，马建章.从12SrRNA基因序列探讨麝类动物（Moschus）在新反刍下目中的系统学地位[J].东北林业大学学报，2005（3）：59.

[22]李明，盛和林，玉手英利，等.麝、獐、麂和鹿间线粒体DNA的差异及其系统进化研究[J].兽类学报，1998，18（3）：184.

[23]张亮，邹方东，陈三，等.林麝及马麝SRY基因片段克隆及其在系统进化分析中的应用[J].动物学研究，2004，25（4）：334.

[24]李林海，黄祥云，刘刚，等.我国麝养殖种群现状及养殖业发展的分析[J].四川动物，2012，31（3）：492.

[25]邹方东，张义正，杨楠，等.林麝、马麝及梅花鹿活化素基因β_A亚基成熟肽序列的克隆和分析[J].动物学杂志，2004，25（3）：22.

[26]KholodovaMV，Prikhod′koVI.MoleculargeneticdiversityofmuskdeerMoschusmoschiferusL.，1758（Ruminantia，Artiodactyla）fromthenorthernsubspeciesgroup[J].Genetika，2006，42（7）：955.

[27]GuanTL，ZengB，PengQK，etal.Microsatelliteanalysisofthegeneticstructureofcaptiveforestmuskdeerpopulationsanditsimplicationforconservation[J].BiochemSystEcol，2009，37（3）：166.

[28]HuangJ，LiYZ，LiP，etal.GeneticqualityoftheMiyaluocaptiveforestmuskdeer（Moschusberezovskii）populationasassessedbymicrosatelliteloci[J].BiochemSystEcol，2013，47：25.

[29]白康.林麝雄激素受体多态性和性激素水平与其泌香量关系的研究[D].杨凌：西北农林科技大学，2012.

[30]王勤，张修月，王中凯，等.林麝促卵泡激素和促黄体激素基因的克隆及其序列分析[J].四川动物，2012，31（1）：77.

[31]罗燕，王朋，赵洪明，等.林麝肺源致病性大肠杆菌分离鉴定及毒力基因PCR检测[J].中国预防兽医学报，2012（8）：615.

[32]邹丹丹，杨东，姜立春，等.林麝IL-1β基因的克隆、表达及生物学活性检测[J].畜牧兽医学报，2013，44（11）：1734.

[33]李灵.林麝Ⅱ类MHC基因分离与化脓性疾病的相关性研究[D].杭州：浙江大学，2013.

[34]周鑫，罗燕，程建国，等.林麝肺源致病性大肠杆菌O因子血清型鉴定及部分耐药基因的PCR检测[J].四川动物，2014（5）：715.

[35]张义正，邓正已，李正昌.林麝的驯化及异地移养[J].中药材，1985（2）：14.

[36]邓凤鸣.林麝的驯化与控制放牧[J].野生动物，1986（4）：35.

[37]胡，封孝兰.林麝幼仔集群习性培育试验初报[J].特产研究，2009（3）：5.

群体遗传学基础范文第4篇

关键词：非物质文化遗产；文化产业；文化发展

中国作为一个拥有五千年悠久历史的文明古国，文化资源十分丰富，我们的祖先曾在这片土地上创造了辉煌、灿烂的中华文明，为后人积累了丰富的文化财富。外国市场对中国的传统文化兴致盎然，一些传统文化产业在国内没有得到很好的发展，却在国外备受关注。虽然目前情况有所缓和，人们对于国学教育的认识逐步加深，但是还需更多的时间与机遇，才能发生更多转变。非物质文化遗产作为文化产业的组成部分，有其发展的必然性，因为人类群体的文化具有整体性，它不以某种单一的特质存续，而以整合多方面关联的形式存在，文化要素之间的互动关联是文化产业最基本的特征。人、社会与文化之间的互动使物质文化和非物质文化并不是泾渭分明而是互相依托、共生共存的。非物质文化遗产的存在需要一定的载体，特定的人类社会是其赖以生存的基础，脱离了特定的群体和由他们所组成的文化环境，非物质文化将不复存在。同样的，作为一个族群和社会所认同的文化，其核心是这个群体的综合价值观念，非物质文化遗产的表现形式和存在形态往往更能表达这种文化的思维方式。华夏祖先从制造第一件劳动工具开始，就在生产实践中不断地寻找、摸索并创造实用性强的劳动工具，在满足了造物基础的同时，又培养了独特审美的精神需求。由此发展出来的民间工艺美术，多就地取材、手工生产带有形式美感的作品。它们造型多样，色彩鲜明，质朴清新，具有独特的乡土气息和生活色彩，以实用性为依托，既是工具又是工艺作品。它们从民间来又服务于民众，融入了各个民族衣食住行、风土人情、礼仪禁忌的各个方面，具有丰富而深刻的哲学、艺术学、历史学、民族学、社会学和人类文化学多学科的文化价值，体现了整个民族的文化意识、哲学观点、感情气质和心理素质，是中华民族文化艺术的瑰宝，也是非物质文化兴起与发展的土壤。非物质文化遗产的表象体征可以归纳为以下几点。

一、民间工艺美术类非物质文化遗产与文化产业

我国的民间工艺美术类型的非物质文化分布于全国各地，由于地理气候、生活方式、风俗习惯、民族文化、审美尚好等方面的差异，形成了丰富的品类和多彩的风格，大多采用天然的材料和传统的手工加工模式，成品带有浓郁的地方特色和民族风格，与民俗活动密切结合，与生活息息相关。如，以蛋画、印花画、扇面画、唐卡为代表的工艺绘画类；以剪纸、皮影戏、镂刻为代表的剪刻类；以印花、蜡染、浇花布为代表的民间装饰服饰印染类；以风筝、扇子、彩灯为代表的扎糊类以及刺绣类、雕塑类、编织类和陶瓷类共类民间工艺美术类非物质文化遗产。

二、传统表演艺术类非物质文化遗产与文化产业

传统表演艺术类非物质文化以传统文化环境为基础，以宫廷机构、民间班社、民间自发传习的方式传承，与社会经济、传统思想、历史文化、民俗民风水融，是传统文化环境下历史对表演艺术的自然选择。传统表演艺术类非物质文化遗产作为综合艺术，融合了歌曲、舞蹈、文学、装饰、制造等多个方面的艺术，是我国优秀传统文化的载体和现代文化产业的艺术宝藏。

三、其他类非物质文化遗产与文化产业

除上述传统表演艺术、民间工艺美术方面的非物质文化遗产外，传统制造技艺、民俗节庆礼仪和民间口传文化三大类非物质文化遗产在发展、传承和改造形式上也面临与前两类艺术几乎相同的问题。中国的非物质文化虽然丰富多样，但自西方文化进入中国市场以来，我国的一些传统文化受到影响，其存在和发展的条件也几乎消失。很多以祈福、传统信仰、表演审美为基础的传统表演艺术类非物质文化遗产在当今的生活中逐渐被人们遗忘甚至抛弃，一些传统艺术形式逐渐丧失了文化生态环境，淡出了人们的视野。一些有着数千年传统的中华文明所崇尚的伦理道德、艺术修养、民间风俗逐渐被淡化，这给我国的非物质文化产业带来了不小的冲击。总而言之，文化产业脱离了非物质文化遗产的发展，将会削弱社会群体的历史特性和文化多样性，使社会的文化环境和价值观念趋于大同而没有灵魂与根基。所以，文化产业与非物质文化具有共生的联系，保护、发展非物质文化对发展整个国家的文化产业具有特殊的意义。

参考文献：

[1]李昕.非物质文化遗产：文化产业发展重要的文化资本.广西民族研究，2008（3）.

群体遗传学基础范文第5篇

关键词： 遗传算法；交叉；变异；选择；应用

中图分类号：TP18文献标识码：A文章编号：1009-3044(2008)34-1874-03

Application and Theory of Genetic Algorithm

HUANG Shao-rong

(Department of Information Management, Guangdong Justice Police Vocational College, Guangzhou 510520, China)

Abstract: Genetic algorithm (GA) is an intelligent optimization algorithm that has been used the most extensively, and has the most influential effect. This paper introduces the GA’s history of the development and the process of operation, sums up its characteristics and introduces its application in various fields in detail.

Key words: genetic algorithm; crossover; mutation; selection; application

1 引言

遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰）演化而来的一种自适应全局优化概率搜索方法，它以一种群体中的所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索。

近几年来，遗传算法主要在复杂优化问题求解和工业工程领域应用方面，取得了一些令人信服的结果，使其成为一个多领域、多学科的重要研究方向。

2 遗传算法的发展

遗传算法起源于本世纪40年代对生物系统所进行的计算机模拟研究，从生物学的角度进行生物的进化过程模拟、遗传过程模拟等操作。60年代，美国的Holland教授认识到生物的遗传和自然进化现象与人工自适应系统的相似性，提出研究人工自适应系统时，可借鉴生物的遗传机制以群体的方法进行自适应搜索。1975年Holland出版了《自然系统和人工系统的适配》[1]系统地阐述了遗传算法的基本理论和方法，并提出了对遗传算法的理论研究和发展极为重要的模式定理，这一理论首次确认了结构重组遗传操作对于获得隐并行性的重要性。与此同时，De Jong基于遗传算法的思想并结合模式定理在计算机上进行了大量的纯数值函数优化计算机实验，并提出了诸如代沟等新的遗传操作技术，树立了遗传算法的工作框架[2]，Holland和De Jong的创造性研究成果改变了早期遗传算法研究的无目标性和理论指导的缺乏。80年代由Goldberg进行归纳总结，对遗传算法的基本原理及其应用进行了全面而完整的论述，奠定了现代遗传算法的科学基础[3]。

进入80年代，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题，尤其是遗传算法的应用领域也不断扩大。

3 基本遗传算法

遗传算法是一种迭代的算法，它首先随机生成一个初始种群，这个初始种群由经过基因编码的一定数目的个体组成。这个初始种群按照一定的操作规则，如选择，复制，交叉，变异等，不断地演化出新的一代。并根据个体的适应度，按适者生存和优胜劣汰的原则，引导搜索过程向最优解逼近，末代种群的最优个体经过解码，可以作为问题近似最优解。

3.1 遗传算法的步骤

Holland提出的遗传算法常被称为“简单遗传算法（SGA）”，主要步骤如下：

1) 初始化群体；

2) 计算群体上每个个体的适应度值；

3) 按由个体适应度值所决定的某个规则选择将进入下一代的个体；

4) 按概率Pc进行交叉操作；

5) 按概率Pm进行变异操作；

6) 没有满足某种停止条件，则转第2)步，否则进入7)。

7) 输出种群中适应度值最优的染色体作为问题的满意解或最优解。

根据上述算法思想可得其算法框图如图1所示。

1) 编码

遗传算法中，种群中的每个个体（染色体）是由基因构成的，所以个体要与优化问题的解如何对应，就需要通过基因来表示，即对个体进行正确编码。遗传算法的进化过程是建立在编码机制基础上的，编码对于算法的性能影响很大。常用的编码技术有[4]：

二进制编码：

使用固定长度的0，1二进制字符串来表示一个染色体，例如：

X=（110110111）

就可以表示一个染色体，该个体的染色体长度为n=7。

浮点数编码：

个体的基因值用某一范围内的一个浮点数来表示，个体的染色体长度等于其决策变量的个数。例如某优化问题含有4个变量xi（i=1,2,3,4），xi∈[0,10]，则：

X=（3.2,8.7,6.4,2.1）

就可以表示一个染色体，该个体的染色体长度为n=4。

二进制编码优点是编码解码简单，交叉，变异等遗传操作便于实现，而且易于运用理论（如模式定理等）进行分析。浮点编码则在变异操作上能够保持更好的种群多样性，不过，其搜索能力比二进制要弱一些。后来，又提出了格雷编码、符号编码、整数编码、树编码等编码策略。

2) 初始群体的生成

遗传算法是一种基于群体寻优的方法，算法运行时是以一个种群在搜索空间进行搜索，一般采用随机法产生一个初始种群，即随机产生N个初始串结构数据，每个串结构数据称为一个个体， N个个体构成了一个群体。

3) 适应性评估检测

为了体现染色体的适应能力，引入了对问题中的每一个染色体都能进行度量的函数，称适应度。适应度是群体中个体生存机会的唯一确定性指标，表明个体或解的优劣性，其选取直接影响到遗传算法的收敛速度以及能否找到最优解，基本上依据优化的目标函数来确定。

4) 选择

从当前群体中选择适应度高的个体以生成池。选择原则是适应性强的个体为下一代贡献一个或多个后代的概率大，选择之前必须计算每个个体的适应度。常用选择算法有：

赌选择：是最知名的选择方式，基本原理是根据每个染色体适应度的比例来确定该个体的选择概率或生存概率。个体适应度按比例转化为选中概率，为了选择个体，需要进行多轮选择。每一轮产生一个[0，1]的均匀随机数，将该随机数作为选择指针来确实被选个体。

锦标赛选择：随机地从种群中挑选一定数目的个体，然后将最好个体选做父个体，重复这个过程直至得到足够的个体。

另外，还有一些其他的选择方法，如随机遍历抽样法、（μ+λ）选择、稳态选择、排序与比例变换、随机剩余选择、基因池选择、分裂选择等。

5) 交叉

是最主要的遗传操作，同时对两个染色体进行操作，组合两者的特性产生新的后代。算法性能很大程度上取决于采用的交叉运算，双亲的染色体是否进行交叉由交叉率来控制交叉一般可分为实值替换和二进制交叉两种：

实值替换：包括离散重组，中间重组和线性重组。

二进制交叉重组：最简单的二进制交叉是单点交叉，它的交叉原理如下：

父个体p1：01110011010

父个体p2：10101100101

交叉点的位置为5，则交叉后产生的两个子个体为：

子个体q1：01110│100101

子个体q2：10101│011010

除了单点交叉，还有两点交叉、多点交叉和均匀交叉等。

6) 变异

在群体中随机选择一个个体，对于选中的个体以一定的概率随机地改变串结构数据中某个串的值。变异使算法具有一定的局部的随机搜索能力，也可防止发生因遗漏最优值而无法再找到最优解的情况，保持了算法的有效性和种群的多样性，是算法的一个重要操作过程。染色体是否变异由变异率来控制。常用的变异有：

二进制变异：

对每个个体染色体上的二进制编码串进行操作，每一位以很小的概率从1变为0，或从0变为1。比如有如下二进制编码表示：

■

其码长为8，随机产生一个1至8之间的数K，假如现在K=5，对从右往左的第5位进行变异操作，将原来的0变为1，得到如下数码串（第四个1是被变异操作后出现的）：

■

向梯度方向变异：

对于目标函数可微的最大化问题，可采用如下变异操作：

Z=X+f(X).α α∈U(0,a)

其中，f(X)是目标函数在X处的梯度。

对于最小化问题，则采用如下变异：

Z=X-f(X).α α∈U(0,a)

另外，还有实值变异、基本位变异、均匀变异、边界变异、非均匀变异以及高斯变异等。

7) 参数控制

遗传算法有4个运行参数需要提前设定，并且实际应用中，需要多次测试后才能确定这些参数合理的取值：

M：种群大小。它对算法的效率有明显的影响，规模太小不利于进化，而规模太大将导致程序运行时间过长。不同问题，种群规模不同，通常为20～100。

T：终止进化代数。一般取100～500。

Pc：交叉概率。并不是所有被选择的染色体都要进行交叉或变异操作，而是以一定的概率进行。在程序设计中交叉发生的概率要比变异发生的概率选取得大若干个数量级，一般取0.4～0.99。

Pm：变异概率。一般取0.0001～0.1。

8) 中止条件控制

遗传算法的终止条件通常可以从两方面进行控制：一个是预先设定最大的进化代数，另一个是当算法在规定的代数内还没有找到更优解则终止算法。

3.2 遗传算法的特点

遗传算法是解决搜索问题的一种通用算法，对于各种通用问题都可以使用。搜索算法的共同特征为： ① 首先组成一组候选解； ② 依据某些适应性条件测算这些候选解的适应度； ③ 根据适应度保留某些候选解，放弃其他候选解； ④ 对保留的候选解进行某些操作，生成新的候选解。遗传算法将上述特征组合在一起：基于染色体群的并行搜索，带有猜测性质的选择操作、交换操作和突变操作。此外，还具有以下特点：

1) 搜索过程从一群初始点开始，而不是单一的初始点。覆盖面大，可有效防止陷入局部最优，利于全局择优。

2) 仅用适应度来评估个体并在此基础上进行遗传操作。适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定，大大扩展了其应用范围。

3) 使用概率搜索技术，而非确定性规则。

4) 具有潜在的并行性。采用种群的方式组织搜索，可同时搜索多个有效区域并相互交流信息，能以较少的计算获得较高的效率。

5) 具有自组织、自适应和自学习性。遗传算法利用进化过程获得的信息自行组织搜索时，硬度大的个体具有较高的生存概率，并获得更适应环境的基因结构。

6) 结构简单明了，容易与其他方法结合，而且算法内在的并行性使它适合大规模的运算，可以有效对复杂系统进行模拟和优化。

4 遗传算法的应用

由于遗传算法提供了一种求解复杂系统问题的通用框架，它不依赖于问题的具体领域，对问题的种类具有很强的鲁棒性，前面描述是简单的遗传算法模型，可以在这一基本型上加以改进，使其在科学和工程领域得到广泛应用。下面列举了一些遗传算法的应用领域[5]：

1)优化

优化问题在运筹学、管理学和工程设计中处于非常重要的地位，遗传算法在优化问题的上应用包括：

① 函数优化问题：是遗传算法的经典应用领域，也是对遗传算法进行性能评价的常用算例。

② 组合优化问题：组合优化问题的本质可归纳为下列类型之一[6]：

确定与问题相关的某些项的排列（如资源约束的项目调度问题、车辆路径和调度问题等）

确定某些项的组合（如集覆盖问题和群体问题等）

确定某些项的排列和组合（如并行机器调度问题等）

任何带有约束的上述类型

组合优化理论上可通过牧举法找到最优解，但随着问题规模的增大，探索空间也急剧增大，在目前的计算机上很难求出最优解。遗传算法作为复杂问题优化方法的潜质已经受到了普遍的关注，实践证明，遗传算法对于组合优化中的NP完全问题非常有效。

③ 多目标优化

该类问题存在多个目标需要同时优化，由于目标之间的无法比较和矛盾等现象，导致不一定存在使所有目标最优的解。由于遗传算法具有多方向和全局搜索特点，在解决这类问题上具有优势。

2) 自动控制

对大规模控制系统进行综合设计并建立数学模型，在对数学模型的优化上，遗传算法具有其它进化算法无法比拟的优点，已取得一定成绩。例如用遗传算法对自动控制系统数学模型寻优、用遗传算法优化PID控制系统、遗传算法在加工过程智能最优自适应控制的应用、基于遗传算法的模糊控制器的优化设计等。

3) 人工生命

人工生命是用计算机模拟自然界的生命现象，其中生物的自适应、进化和免疫等现象是人工生命的重要研究对象，与遗传算法有密切关系。遗传算法已经在其进化模型、学习模型、行为模型、自组织模型等方面显示出了初步的应用能力。

4) 图像处理和模式识别

遗传算法可以对图像进行优化，使图像处理中产生的一些误差达到最小。目前已经图像恢复、图像边缘特征提取、几何形状识别等方面得到了应用。

5) 机器人智能控制

是遗传算法的一个重要应用领域，已经在移动机器人路径规划、关节机器人运动轨迹规划、机器人逆运动学求解、细胞机器人的结构优化和行为协调等方面得到了应用。（下转第1882页）

（上接第1876页）

6) 程序设计

遗传算法可以用于某些特殊任务的计算机程序设计。

7) 机器学习

遗传算法可用于许多机器学习的应用，包括分类问题和预测问题等，特别是分类器系统，在很多领域中都得到了应用。

8) 经济学与社会经济问题

应用遗传算法对经济创新的过程建立模型，可以研究投标的策略，还可以建立市场竞争的模型。

9) 免疫系统

应用遗传算法可以对自然界中免疫系统的多个方面建立模型，研究个体的生命过程中的突变现象以及发掘进化过程中的基因资源。

10) 进化现象和学习现象

遗传算法可以用来研究个体是如何学习生存技巧的，一个物种的进化对其他物种会产生何种影响等等。

5 结论

遗传算法作为强有力且应用广泛的随机搜索和优化方法，无论是理论研究还是应用研究都成了十分热门的课题，尤其是遗传算法的应用研究显得格外活跃。本文首先介绍遗传算法的发展与操作步骤，并总结出遗传算法的特点，最后详细介绍了遗传算法的各个应用领域。

参考文献：

[1] Holland J H.Adaptation in Nature and Artificial Systems[M].MIT Press,1992.

[2] De Jong K A.An Analysis of the Behavior of a Class of Genetic Adaptive Systems. Ph. D Dissertation[D].University of Michigan,No.76-9381,1975.

[3] Goldberg D E.Genetic Algorithms in Search, Optimization and Machine Learning[M].Addison-Wesley,1989.

[4] 汪定伟.智能优化方法[M].北京:高等教育出版社,2007:21-23.