遗传学的分支范文第1篇

关键词：深基坑支护；优化；

深基坑支护设计技术是近十多年来在我国逐步遇到的技术难题，它几乎涉及到岩土力学与工程地质的各个方面，如土力学、水文地质学、工程地质学、结构力学以及施工方法、监理、监测等领域。影响基坑稳定的不确定性因素比较多，这导致了基坑工程事故发生率高，尤其是东南沿海开放城市，有的城市较大的基坑工程事故竟占基坑总数的1/3左右。一旦支护失败，后果不堪设想，不仅会延误工期造成经济损失，更重要的是，还可能对周围建筑及城市生命线工程产生不可低估的不良影响，甚至危及人身安全。我国的深基坑工程起始于20世纪80年代，尽管发展迅速，但仍然处于探索阶段。实际工程中有时为了安全性，支护选型和设计极为保守，造成了不必要的浪费；有时为了片面追求经济性，而降低了基坑的稳定性、变形控制和设计安全方面的要求，造成工程事故，导致了更大的经济损失，深基坑工程优化设计技术就是在此基础上产生的，它是解决经济合理与安全可靠二者矛盾的有效手段。

1基坑支护设计方案的优化[1-8]

优化方法是一种以数学理论为基础来求解各种工程问题优化解的应用技术。目前的基坑支护设计方案优化基本上分三种：第一种是进行基坑支护类型的优选。主要是采用定性的评价，根据基坑的周边环境条件、地层条件、地下水埋藏条件、各种支护类型的特点及适用条件，综合进行支护类型的优选，也有少量用模糊数学的方法进行支护类型的优选；第二种是支护结构的设计优化，也称细部优化。这种优化最简单的方法是规范规定的弹性抗力法即m法，它通过支护系统位移，最大弯矩，剪力等计算，优选出合适的设计计算方法。此外，还有通过数学模型进行优化设计，其过程是选取设计变量，列出目标函数，给定约束条件后便可构造出最优化设计的数学模型。该模型通过各种算法，进行求解；第三种是面向施工过程的信息化施工。

由于传统的优化方法的局限性，越来越不能满足工程的需要，于是出现了一些新的优化算法，诸如模糊优化理论、人工神经网络、遗传算法、进化规划、模拟退火、禁忌搜索及其混合优化决策略等方法。近年来许多学者和工程技术人员对这些优化算法在深基坑支护中的应用进行了研究和探讨。

王东（1997）郭方胜，刘祖德（2001）和王永祥，陈进等 （2004）采用层次分析方法建立了深基坑支护系统方案的评价体系，然后运用模糊优化理论达到优化选择支护方案的目的。

王广月 （2004）在分析深基坑支护体系因素的基础上，综合应用信息论、模糊物元和层次分析理论，建立了深基坑支护决策的信息熵模糊层次分析模型，有效地解决了众多模糊性和不确定性因素影响的深基坑支护方案的多目标优化决策问题，为合理选择深基坑支护方案提供了一条新的途径。

徐迎、李朝甫等 （2000），张海涛、陈震等 （2003）针对深基坑支护方案选择因素具有模糊性的特点，依据模糊数学原理建立了深基坑支护方案优选的综合评价模型，为深基坑支护方案的选择提供科学的理论依据。

乾增珍（2001）、麻风海，于晓曦等 （2002）以及何满潮，乾增珍等 （2004）利用人工神经网络的非线性映射功能，建立深基坑支护方案与多种影响因素之间的关系，形成了优选深基坑支护方案的神经网络模型。

周瑞忠，邱高翔（2001）将人工神经网络应用于基坑的位移反分析问题，以模拟基坑开挖的有限元程序为正演工具，以BP网络为反演工具，通过样本的映射关系将正演和反演过程有机结合起来。

王建仁，张福林（2001）建立了基坑稳定的人工神经元网络模型，提出了一种新的基坑稳定预测方法。

华瑞平，刘新宇等 （2001）利用人工神经网络理论对城市深基坑支护结构的变形量进行分析和预测，建立了预测支护结构最大变形量的网络预测模型。

李健（2003）将人工神经网络应用在钻孔灌注桩造价预测中。

肖专文，张奇志 （1998）提出了一种用遗传进化算法确定边坡最危险滑动面及其对应的最小安全系数的方法。

肖专文，龚晓南等 （1999）和贺可强，阳吉宝 （2001）将遗传算法用于深基坑土钉墙支护优化设计中。陈昌富 （2000）利用模拟自然进化过程的遗传进化算法和求解约束优化问题的复合形法发展起来的复合遗传算法来求解深基坑土钉墙内部稳定性。

刘学增，朱合华 （2002）在充分考虑岩土介质的各向异性和流变特性基础上，建立了层状地基横观各向同性粘弹性位移反分析模型，利用遗传算法，进行深基坑横观各向同性粘弹性动态施工反演分析，并利用反演得到的每层岩土介质的弹性模量、粘性系数，预测相继施工阶段的结构和土体变形、内力，从而为工程的信息化、施工反馈设计提供了新的技术手段，同时促进了位移反分析的发展。

朱合华，杨林德 （1998）提出动态施工反分析的思想，以求仿真模拟深基坑工程实际情况，进而为相继施工阶段的变形预报提供可靠保证。杨林德，钟才根等 （1999）通过将现场信息采集、优化反演参数及围护结构变形和稳定分析有机地进行结合，对基坑支护位移和安全性监测建立了动态预报技术；陈昌富 （2001）分别基于弹性地基梁有限元法和连续介质有限元法，建立了深基坑支护结构位移与安全性动态仿生优化反演预报方法。

陈昌富将具有全局收敛性的信赖域算法引入神经网络的学习算法中，提出了基于信赖域算法的前向型神经网络模型；引入数值优化方法，改善遗传算法局部搜索能力，提出了3种混合遗传算法：改进复合形遗传算法、可行方向遗传算法和信赖域遗传算法；在基本蚁群算法中引入启发式算子，提出了求解多阶段完全序贯决策问题和多阶段不完全序贯决策问题的启发式蚁群算法。并将这些方向成功地应用到深基坑工程和边坡工程中，取得了理想的结果。

吴恒，周东等 （2002）将协同演化思想应用于基坑桩锚支护优化设计中，成功开发了深基坑桩锚支护优化设计系统。

韦立德，徐卫亚 （2003）采用遗传算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络，先用遗传学习算法进行全局训练，再用BP算法进行精确训练。就遗传算法过程中的选择、变异进行了探索，提出了用BP网络训练产生变异的遗传算法。

朱合华，刘学增 （2003）将阻尼最小二乘法与遗传算法耦合起来，发展了阻尼最小二乘法―遗传混合算法，同时将阻尼最小二乘法―遗传算法和模拟退火―遗传算法两类混合优化方法用于优化反分析，结合工程实例分析表明，这两类混合优化方法与单纯形等传统优化方法相比，具有较好的全局收敛性，而且比基本遗传算法具有更高的搜索效率和精度。

2结束语

目前深基坑支护智能优化设计取得了较大的进展，尤其是对遗传算法有研究和应用，几乎贯穿了整个深基坑工程领域。模糊数学理论、灰色理论、神经网络也有一定的研究和应用，但非常有限，有待进一步研究探讨。由于生产实践的需要，基本支护方案优化方法显露了越来越多的不足，由此，科研工作者对基坑支护方案优化方法进行改进，提出了各种新型有效能优化算法，取得了一系列的成果，对支护方案优化的研究还处于发展时期，还需要科研工作者和工程技术人员不懈地努力。

参考文献

[1]肖专文，张奇志，梁力等.遗传进化算法在边坡稳定性分析中的应用.岩土工程学报，1998，20（1）：44～46.

[2]肖专文，龚晓南，谭昌明.基坑土钉支护优化设计的遗传算法.土木工程学报，1999，32（3）：73～80.

[3]贺可强，阳吉宝，王胜利.遗传算法在土钉支护结构优化设计中的应用.岩土工程学报，2001，23（5）：567～571.

遗传学的分支范文第2篇

[关键词]非物质文化遗产；保护和继承；传统文化；新形势

中图分类号：T8.1 文献标识码：A 文章编号：1009-914X（2016）16-0282-01

0 引言

中国是一个历史文化悠久的国家，从古至今承载着丰富多彩的优秀文化，非物质文化遗产是中华优秀传统文化的重要组成部分，是推动我国文化在历史进程中卓越发展的不可抗拒的力量。非物质文化遗产的内容多种多样，充斥着人们的日常生活，给人们带来的极大的精神支持。新形势下，非物质文化遗产的重视发展给我们的整体文化水平带来极大地影响，由此带来的文化旅游业的发展增加了我们的经济金额，推动着整体水平的提高。但是新形势下，在非物质文化遗产保护和继承工作的推进过程中不断暴露出了一些弊端必须引起我们的重视，我们必须及时采取相应的措施解决。

1 明确非遗保护对象

众所周知，世界各种文化的创造者和传承着都是人们自身，显而易见，人事最重要最基础的文化载体，比如各种民谣、戏剧等都是通过民间艺人的语言、动作的一系列结合构造出来的，人作为文化载体必须受到一定的保护。民间艺人的不断减少会给我们非物质文化遗产的传承造成很大的冲击，所以说，我们必须明确保护对象。

人是社会物质文化的生产者、创造者，担负着保护和传承优秀传统文化的的使命，各级政府部门要时刻关注他们的生活，给他们一定程度的物质和精神支持，让这些承载非物质文化遗产的人感受到在新形式下社会中的认可和相应的存在感。另外，政府部门应该投入一定的自己支持，成立非物质文化遗产的学习班，组建大众学习传承非遗的场所，并且选拨优秀的非遗保护对象作为大家的老师，领头人，让他们收徒、传艺，带领大家温故传统的非物质文化遗产，大力弘扬中华民族的传统文化。但是，现如今非遗文化的保护和继承备受关注的同时，也逐渐出现了一些伪非遗的现象出现。有一些所谓的传承人并不是民间大众，而是一些当地的开发商和地方领导。，他们并没有掌握足够的民间技艺，这种弄虚作假的现象如果不被及时制止，就会对以后的工作造成极大的影响，违反了新形势下非遗保护与继承的真实性和意义所在。

世界各国因为忽视非遗保护对象“人”这一载体的重要性而导致非物质文化遗产不断流失的现象比比皆是，给我们带来了一定的启示，不断地提醒我们要高度重视这一对象的存在。为此，我们应该制定明确的非遗保护对象标准，进一步传承优秀传统文化。

2 开发利用非遗资源

非遗资源的开发和利用的渠道是否合理问题也应该值得我们认真关注，新形势下人们大强度地开发和利用造成了一些反面问题，阻碍了我们进一步保护和继承非物质文化遗产工作的推进。

万事万物的开采和利用都要遵循其本质规律，不能违背事物的本质特征，采取各种积极措施，积极推进非物质文化遗产的保护性工作。有些工作人员为了搜集遗产直接将一些旧村落硬性拆除，然后建造所谓的遗址新村等，这些行为破坏了它的变化规律，加速了古文化遗址的消失速度，一味的追求开发非遗资源的形式，形成一定的负面影响。我们不可明确估量非物质文化遗产会给我们带来的有利影响，政府也不断给予我们一定的支持和鼓励比如，建立旅游景区，文化遗址保护区等等供人们参观游览，合理利用非物质文化遗产的建构项目开发具有民族特色的产品，发展民族旅游文化，促进经济发展。

新形势下非物质文化遗产的保护和传承是一项长期艰巨的任务，我们在开发利用非遗资源的同时要充分尊重当地的民风民俗，遵循其自然发展规律，合理开发利用，充分挖掘其价值所在。

3 建立非遗保护机制

现如今，非物质文化遗产的保护和继承这个话题越来越受到社会的专注，一项项目的实施必须建立起相应的机制，以此来监督和鞭策，同时也要制定相应的法律法规，加强非物质文化遗产的保护与继承。

非物质文化遗产保护机制的建立能够为非物质文化遗产的保护与继承制定相应的原则，并给予相应的政策支持，在非物质文化遗产传承发展根据地建立基础设施，方便外来人员参观。政府也应该投入一定数额的资金和技术支持，培养专门的知识技能型管理人才，利用当今时代下的先进的技术制作传统文化的产品，在传统技艺的基础上附着现代的技术并使非物质文化遗产产品得以延伸，从而适应现代人的需求，在运用现代技术进行创新和发展的同时要注意避免出现违背最初原则和目标的问题。而对于为什么要用法律来约束也要引起我们的关注。我国在非物质文化遗产保护和继承这一方面制定了相应的法律文件，用法律做准绳，约束人们依法保护、利用、继承。相关法律的建立不仅让人们意识到了保护和继承非物质文化遗产的重要性，而且也提高了人们学习非物质文化热情，积极地参与到保护与继承非物质文化遗产的工作中来。

建立非遗保护机制这一有效措施是我们新形势下保护与继承非物质文化遗产的必经之路，在工作进程的推展过程中我们还需要不断改进和完善，更好的为弘扬传统文化，继承非遗任务服务。

非物质文化遗产包括众多文化形式，包含着话剧，曲艺，民间杂剧，声乐，剪花、服饰等等，涵盖了人类的各种风俗习惯，民间艺术等各领域。非物质文化遗产凝聚着全国各民族的优秀文化的力量，特别是少数民族以及农村乡土风情的集合，是中国多民族文化特色的有力体现。新形势下非遗保护与继承不仅是保护我们的传统文化，同样也是保护文化多样性，保护的同时也要大力宣传群众积极传承，保护继承这项工作迫在眉睫，我们必须遵循这些相应的措施，加大宣传非物质文化遗产保护工作，让群众充分意识到这一任务的重要性和紧迫性，这份工作要依靠广大人民群众的支持，大家共同努力，促进新形势下的非遗保护与继承有序发展。

参考文献

[1] 王芳.浅谈新形势下的非遗保护与传承[J].漯河职业技术学院学报，2012，（2）：13-14.

遗传学的分支范文第3篇

关键词：传统社区；遗传资源；行政保护

中图分类号：D920.0 文献标志码：A 文章编号：1002-2589（2013）33-0090-02

本文采用理论研究的方法，通过阅读大量的文献，从不同视角和层面阐述遗传资源保护的立法模式、具体制度设计、惠益分享安排等内容。学界对传统社区遗传资源是纳入传统知识范畴还是遗传资源范畴尚存争议，而争议的关键就在于如何看待遗传资源与传统知识的关系[1]。本文尚且将传统社区遗传资源作为众多遗传资源的一种，重点就传统社区遗传资源行政保护模式进行文献综述如下：

一、传统社区遗传资源行政保护的概念

（一）传统社区遗传资源的概念

目前，学术界对遗传资源的定义大都是引用《生物多样性公约》中对遗传资源的定义，即“遗传资源”（genetic- resources）是指具有实际或潜在价值的遗传材料，“遗传材料”（genetic material）是指来自植物、动物、微生物或其他来源的任何含有遗传功能单位的材料。中国国家环保总局认为：遗传资源是指具有实用或潜在实用价值的任何含有遗传功能的材料，包括动物、植物、微生物的DNA、基因、基因组、细胞、组织、器官等遗传材料及相关信息[2]。印度为保护本国的生物遗传资源制定了《生物多样性法》，该法没有使用“遗传资源”这一概念，而是使用“生物资源”的概念。法学博士张小勇通过对印度遗传资源立法的考察，提出立法者之所以使用“生物资源”的概念，是因为在很多情形下，遗传资源往往包含在生物资源之中，如欲获得其中的遗传资源，需要借助有关技术和设备进行分离和提取。这意味着获取遗传资源必须以获取生物资源为前提[3]。

遗传资源的载体是遗传材料，核心是遗传信息。《生物多样性公约》对遗传资源的定义是从遗传资源的载体――遗传材料出发的，突出其物理属性，而忽略了隐藏在遗传资源内的遗传信息。印度《生物多样性法》在本国生物技术不太发达的情况下，采用“生物资源”的概念来最大限度地保护本国遗传资源，将遗传资源与生物技术联系起来。基于此，笔者将遗传资源定义为：来自植物、动物、微生物或其他来源的任何材料中含有的具有实际和潜在价值的遗传功能信息。

本文所探讨的是传统社区遗传资源，作为众多遗传资源的一种，传统社区遗传资源与本土居民的生存和发展息息相关，经过本土居民多年的积累和传承，已经超越了“上帝给予的礼物”的范畴，而通常包含了人们由此所获得的知识和才智[1]。传统社区遗传资源应当具备以下因素：第一，在传统或世代相传的背景下产生、保存和传递；第二，与本土居民生存、发展息息相关；第三，该遗传资源的形成凝聚了生活在该传统社区数代人的劳动和智慧。因此，传统社区遗传资源排除了野生动植物资源，植物新品种，而特指与传统社区居民生活息息相关的动植物遗传资源。

（二）遗传资源行政保护的概念

当前我国学术界鲜有对遗传资源行政保护的研究，更没有对遗传资源行政保护做出一个权威定义，笔者试图通过对著作权行政保护、专利权行政保护等概念的分析对比得出遗传资源行政保护的概念。我国著作权法中明确规定了司法保护和行政保护的“双轨制”，参与我国著作权法制订与修改的沈仁干先生曾经指出：“著作权行政管理机关有权处理侵犯著作权行为，可以说是我国著作权保护制度的一个特点”[4]。由此，著作权行政保护可定义为：著作权行政管理机关依法处理著作权纠纷、查处著作权违法行为（如行政处罚）等一系列行政执法活动的总称。

笔者认为，学术界对“行政保护”的定义一般是与“司法保护”对比做出的。司法保护强调司法机关在事件处理过程中的作用，而通过对上面著作权行政保护、专利行政保护的定义阐述，不难发现：“行政保护”突出拥有公权力的行政机关在纠纷处理、违法行为查处过程中的作用，其中一方主体必定是行政机关。由此，遗传资源行政保护的定义可表述为：主管遗传资源的行政管理机关（包括中央和地方政府）依法处理遗传资源纠纷、查处遗传资源违法行为等一系列行政执法活动的总称。

二、传统社区遗传资源权的主体

资源实现配置的前提是产权清晰，主体明确，讨论传统社区遗传资源行政保护的前提也应明确传统社区遗传资源权的主体。近年来，对于传统社区遗传资源产权配置模式的探讨国内学界主要有三种观点：一是主张遗传资源的国有制，即国家是遗传资源的所有权人，但同时提出国家还应当建立遗传资源利用反哺机制，对为遗传资源和与此相关的传统知识做出突出贡献的土著和地方社区进行一定程度的补偿[5]；二是主张将遗传资源的所有权和支配权相分离，国家在宏观上享有遗传资源的所有权，传统社区对其中经过数代人保护、保存的遗传资源享有支配权[6]；三是主张遗传资源多种产权配置模式共存，林业植物野生品种由国家所有，林业植物传统品种由农民―社区所有，林业植物新品种由私人所有[7]。综观上述，无论哪一种观点，都围绕着一个焦点，即在遗传资源保护过程中，如何更好地将行政机关的管理职权同传统社区居民的自主性结合起来。至于哪种产权配置模式更适合中国国情，目前只存在理论层面上的探讨，学者们还未达成一致意见。笔者认为，我国可以尝试性地建立遗传资源行政执法机关与传统社区的协作机制。

三、传统社区遗传资源行政保护模式

在社会主义市场经济条件下，资源的优化配置离不开政府的宏观调控，遗传资源亦是如此。正如学者所言，遗传资源具有强外部性，遗传资源保护制度中融合了公共政策的多元价值[8]。因此，在遗传资源保护中，行政机关发挥着十分重要的作用。笔者根据所阅读的参考文献以及自身体会，从行政机关和传统社区之间关系不同的角度，形成三种利益主体主导模式，即行政机关主导型模式、传统社区主导型模式以及行政机关与传统社区协调型模式。

行政机关主导型模式。在行政机关主导型模式下，行政机关通常对遗传资源的惠益分享实行严格管制。在这种强政府模式下，行政机关一般享有广泛职权，其职权范围包括：对惠益分享事项设立最低标准，负责处理协定的申请、审查并予以批准或拒绝，批准后监督协定的严格遵守，确保遗传资源短期惠益分享及时到位，掌握中长期惠益的渐进情况，保护地方、社区的权益[9]。行政机关主导型模式要求明确管制范围，制定有效的获得公平惠益分享及技术转让的准则，建立高效履行机制和监督方案。但是，这种模式也存在一定的弊端，例如有学者提出：尽管遗传资源具备公共物品的特征，国家可以从公权保护的层面加大对遗传资源的保护力度，积极履行政府的保护职责，但仅仅将遗传资源保护中的全部重任寄托于政府的单方面努力显然是不够的。应当看到在遗传资源的保护过程中，调动地方及原住民的积极性对于实现遗传资源的保护及利用意义重大[10]。

传统社区主导型模式。传统社区主导型模式实施的前提必须承认传统社区遗传资源由社区集体所有或所有权虽归国家，但支配权由社区持有。该模式突出传统社区作为一个独立主体在遗传资源惠益分享中的作用，在不损害国家利益的情况下，获取申请者同传统社区订立惠益分享协议，按照协议进行惠益分享活动。这种模式可以极大地调动传统社区居民保护遗传资源的积极性和主动性，传统社区作为一个独立市场主体参与遗传资源的获取和惠益分享活动，可以有效解决单个主体势单力薄的局面，但该模式同样存在一些弊端。

行政机关与传统社区协调型模式。所谓“协调型”是指既注重行政机关的管理职权，又强调传统社区自主性的发挥。遗传资源的获取申请者需要获得行政机关和传统社区的双重同意，一方面，必须首先征得传统社区的同意；另一方面，该活动还必须征得行政机关的许可。在具体制度设计时，传统社区可以在行政机关的引导下成立一个行业协会，由行业协会自身作为一个独立主体参与到遗传资源的开发利用过程中。同时，应当建立行政机关与行业协会的沟通、协调机制，行政机关应强化对行业协会的业务培训和指导，对行业协会开发和利用遗传资源过程提供一定的财政支持，对行业协会与遗传资源获取申请者签订的惠益分享协议进行严格把关，在保护传统社区利益的同时，不会致使该协议的执行危害生态安全和可持续发展。

四、总结

在我国，传统社区遗传资源权属归国家所有还是归传统社区所有尚不明确，或者将国家所有与社区支配权分离，学界一直没有达成共识。但无论是主张哪种产权配置模式，都紧紧围绕着一个焦点：如何更好地将行政机关的管理职权同传统社区居民的自主性结合起来。围绕这一主题，我们比较了行政机关主导型模式，传统社区主导型模式以及行政机关与传统社区协调型模式三种不同行政保护模式，在这三种行政保护模式中，行政机关以及传统社区之间的关系以及各自在其中所扮演的角色亦有所差异。最后提出行政机关与传统社区协调型模式比较适合未来我国对遗传资源的保护。

参考文献：

[1]杨明.传统知识的法律保护：模式选择与制度设计[J].法商研究，2006，（1）：115.

[2]期海明，姜志刚.植物遗传资源保护的法制分析[J].思茅师范高等专科学校学报，2006，2（1）.

[3]张小勇.印度遗传资源立法及其启示[J].法商研究，2007，（1）：123.

[4]文宁.关于著作权行政保护的思考[J].商业时代，2006，（35）：50.

[5]罗晓霞.遗传资源保护路径选择的理论基础[J].南京农业大学学报，2011，11（3）.

[6]张海燕.遗传资源权权利主体的分析――基于遗传资源权复合式权利主体的构想[J].政治与法律，2011，（2）.

[7]吕祥熙.林业植物遗传资源产权配置问题研究[J].福建论坛・人文社会科学版，2012，（4）.

[8]罗晓霞.遗传资源保护的立法模式探讨[J].河北法学，2011，（9）.

遗传学的分支范文第4篇

【关键词】 支持向量机(SVM) 核 混合遗传算法 L00上界

引言:

入侵检测系统(Intrusion Detection System,IDS)是监控网络或计算机系统的动态行为特征并据此判断是否有入侵的系统。目前的入侵检测方法分为两类:误用入侵检测和异常入侵检测。异常检测试图用定量方式描述可接受的行为特征,以区分异常的、潜在的入侵与误用检测利用已知攻击模式识别入侵相比,异常检测的优点是能够检测到新的攻击行为。但是,由于异常检测必须跟踪和更新系统或用户的行为特征,因此异常检测的计算量大。目前多采用基于机器学习的异常检测方法解决计算量大的问题。研究人员设计了很多基于传统机器学习的检测方法,如神经网络方法 。然而,这些方法往往具有很大的局限性。

SVM是近年发展起来的、实现了结构风险最小化原则(SRM原则)的一种新的机器学习方法。将SVM应用到入侵检测系统中,可避免基于传统机器学习检测方法的局限性,能够保证在不降低检测精度的条件下,满足实时检测需求,从而使整个入侵检测系统具有较好的检测性能。核函数在支持向量机中具有重要的地位,其中核参数的选取直接影响到核函数的推广能力。常用的核函数有:线性核函数(Linear Kerne1);多项式核函数(Ploynomial Kerme1);径向基核函数(Redial Bais Kerne1),参见文献[1]。本文采用C-SVM,首先介绍C-SVM,然后说明了基于混合遗传算法的核参数选择方法,最后将结合这一方法的C-SVM用于IDS系统。

2 C-支持向量分类机的变形算法

在文献[2]中,提出了一种C-支持向量机的变形方法,算法如下:

① 设已知训练集:

3 基于混合遗传算法的核参数选择方法[3]

1) 问题的提出 针对上述算法而言,通过极小化该算法的L00上界来寻求最优参数,是一种新的选参方法 。参数θ (既包括核参数又包括惩罚参数C )可通过求解问题式(2)得到。

的最优值。对于求解式(2),可以用最简单的快速下降法,但通过分析得知,并不能判定式(2)一定是一个凸函数,用最速下降法有可能达到局部最优解,这与本文的初衷是相悖的,而混合遗传算法可以有效地解决上述问题。

2)混合遗传算法遗传算法(GA)是一种基于自然选择和进化遗传的随机搜索算法,最早由JohnHol_1and提出[5],它是模拟生物进化过程随机搜索解空间中的许多点,不易陷入局部最优解,能够快速全局收敛,针对L00上界的求解问题,本文对标准遗传算法做了如下调整:

① 在遗传算法的选择操作中,为了避免适应度高的个体被淘汰,本文选择的是再生算子(Reproduction),它使用的是期望值方法(Expected Value Model)。而最常用的赌轮选择方法,当个体数不太多时,依据产生的随机数有可能不会正确地反映个体适应度的选择,即存在统计误差。

② 尽管遗传算法比其他传统的搜索方法有更强的鲁棒性,但它更擅长全局搜索,当遗传算法搜索到最优值的局部域时,很难达到最优值。因而采用遗传算法与最速下降法相结合的方法对问题进行联合搜索,以求得更小的目标函数值

3)核函数及核参数选择的具体步骤

① 选定支持向量机中的一个核函数k,k∈1,2,3 (k=1 代表linear, k=2 代表poly, k=3 代表rbf), 的初始值设为1。

② 得到k 的值,如果k≥3 ,则转③,否则转⑨。

③ 对目标函数式(5),选择θ 的一个初始编码,给出一个有20个染色体的初始群体pop(1),t:=1 .

4 仿真实验

(1)实验数据:本文采用MIT AI实验室提供的lpr数据 。其中训练集由40个正常进程和40个异常进程组成,测试集由200个正常进程和400个异常进程组成。

(2)实验方法:采用基于系统调用序列的方法 ,窗口大小为6,实验软件采用Libsvm。

(3)实验结果:

5 结论

通过实验结果可以发现,利用本文给出的方法选择最优参数,预测的正确率明显优于最速下降法。本文通过利用混合遗传算法进行了核参数的选择,并取得了较好的效果,具有很好的实用价值,但核参数选择问题仍是支持向量机当今研究的一个难点问题,有待进一步研究。特别是实验结果中,HGA方法的漏报率高于GCD,今后的研究中应该使得参数的选择能使IDS系统有较高的检测率和较低的漏报率。

参考文献:

[1] 邓乃扬,田英杰.数据挖掘中的新方法一支持向量机 [M]. 北京:科学出版社,2004.

[2] 齐志全,田英杰,徐志洁 支持向量机中的核参数选择问题 控制工程 2005年7月

[3]

作者简介:

遗传学的分支范文第5篇

关键词：遗传算法；智能决策系统；DELPHI

中图分类号：TP18 文献标识码：A文章编号：1009-3044(2007)05-11381-02

1 引言

决策支持系统(Decision Support Systems ,DSS) 是以管理信息系统和运筹学为基础,基本思想就是通过计算机智能化的处理数据库中的海量数据,给使用该系统能够的人提供一定的决策帮助。随着应用的不断拓展,决策过程中出现的信息越来越多,系统也越来越复杂,使用原先决策支持系统中的传统方法已远远不能满足决策者的需求,本文将介绍一种基于遗传算法应用于数据挖掘技术的智能化决策支持系统,并简要分析其优缺点,最后对遗传算法在决策支持系统和数据挖掘中的应用特点分别进行了深入讨论,并在此基础上指出有待进一步研究的问题。

1.1 遗传算法概述

遗传算法( Genetic Algorithm ,GA)是一种借鉴生物界遗传机制的随机化搜索算法。其操作主要包括:选择( selection) 、交叉(crossover) 、变异(mutation) 3 个主要遗传算子, 适用于求解大规模、高度非线性、不连续的最优化问题[4]。计算机技术与发展它具有以下特点：

（1）GA对给定的问题,可以产生很多的潜在解,最终的选择可以由使用者确定。在DSS系统中某些情况下,不止一个解存在,而是有一组近似最优解,这时GA对于确认可替代解集而言特别适合。它们使得遗传算法具有了其他传统方法所没有的特性[1]；

（2）GA采用不确定性规则,即概率的变迁规则来指导它的搜索方向。在优化过程中,使搜索的每一步向最终结果靠近的机制或智能性称为搜索的探索性或启性。GA 采用以适应值为标尺,以概率作为一种工具来引导搜索过程,是一种导向随机搜索方法；

（3）GA具有自组织、自适应和智能搜索的特点。这一特点,使它具有能根据环境的变化而自动发现环境的特性和规律的能力。从而使遗传算法可以用来解决一些复杂的非结构化问题。

1.2 决策支持系统概述

决策支持系统(DSS) 是以信息论、管理科学、运筹学和行为科学为基础,以计算机和仿真等技术为手段,综合利用现有的数据和模型,通过人机交互方式辅助解决半结构化和非结构化决策问题的集成系统。决策支持系统主要由：人机交互系统、模型部件、 数据部件3个部分组成[2]。

1.2.1 人机交互系统

人机交互系统是决策支持系统的人机接口界面,它负责接收和检验用户的请求，协调数据库子系统和模型库子系统之间的通信,为决策者提供信息收集、问题识别以及模型构造、使用、改进、分析和计算等功能。

1.2.2 模型部件

模型库子系统是决策支持系统的核心，同时也是较难实现的部分。这部分包括模型库和模型库管理系统。模型库中主要存放各种已有的模型，也存放由用户使用建模语言建立的模型。模型库管理系统支持决策问题的定义、概念模型化和模型的运行、修改、增删等。模型库子系统与对话子系统的交互作用，可以使用户控制对模型的操作；它与数据库子系统与对话子系统的交互作用，可以提供模型所需的数据，从而实现了模型输入、输出和中间结果的存取。

1.2.3 数据部件

数据是辅助决策的关键,是DSS 不可缺少的重要部分。数据库子系统包括数据库和数据库管理系统,主要负责存储和管理DSS 使用的各种数据以及系统之外的数据，并实现各种不同数据源间的相互转换。

2 基于遗传算法的决策支持系统模型设计及其讨论

2.1 系统描述

智能化的决策系统包含了数据仓库（Data warehouse，DW）、联机分析处理（On-line analysis processing，OLAP）、数据挖掘（Data mining，DM）等技术DSS 架构是以现存数据库中储存的数据为基础，数据库中的原始数据作为整个DSS 系统的数据源。数据仓库主要的任务[5]是对数据库中的数据进行提取、转换、综合，重新组织，它是DSS系统进行数据组织和存储管理的基础。OLAP 对从数据仓库提出的数据进行分析、比较、综合，把方法驱动转变为数据驱动，使分析方法和数据结构实现分离。数据挖掘发现数据中潜在的规律，去除原始数据中的“噪音”或不一致的问题，以及补充或者预测那些不完整的数据并以这些规律为基础进行预测。最后通过界面以人机交互的方式将可用数据展现给用户。数据转换得主要任务是，为了便于数据挖掘，将不同的数据源获得的数据转换成统一的格式。具体系统结构图如图1所示。

图1

2.2 基于遗传算法的数据挖掘技术

遗传算法是基于生物进化和选择机制的随机搜索算法。在数据挖掘领域,可以将数据挖掘的问题看作是搜索问题，数据库则被看作为搜索空间,遗传算法看作是搜索策略。因此将遗传算法引入到数据挖掘中,可以在数据库中进行搜索,对随机的一组规则进行进化,直到数据库可以被该组规则覆盖,从而挖掘出人们需要的隐含在数据库中的规则。

2.2.1 算法设计

利用遗传算法来进行数据挖掘，具体的算法设计工作可分为以下几个部分：把原始数据分成训练集和测试集两块，对于基于遗传算法的数据挖掘技术，一般可以将训练集和测试集的大小按照4:6的比例进行分配，然后将遗传算法作用在训练集上，通过训练得到一个评判标准。

Step1：确定分类所需特征属性和类属性，随机生成N个记录组成的训练数据集T；

Step2：对T预处理，包括连续属性离散化、计算各特征属性的信息增益值，对数据进行编码，得到编码后的初始群体S(t)，求各个体的适应度Ki(i=1,2,...,r)。

Step3：根据个体适应度大小进行排序，选择适应度高的前R个个体。

Step4：对群体S(t)进行比例选择运算，得到S(t)1。

Step5：对选择出的个体集合S(t)1作两点交叉运算，得到S(t)2。

Step6：依据新生成的N+R个个体的新适应度进行排序，选择适应度高的前R个个体。

Step7：终止条件不满足时，将第6步排序中的前N个个体作为新的下一代群体S(t)，再一次转到第3步；若终止条件成立，输出适应度值最大的分类规则，算法结束。

Step8：将新产生的模式作用在测试集上，对模式的结果进行评价。如果模式不能满足要求，则修改遗传算法的相应参数和阀值，并重新作用在训练集上，直到得到一个令人满意的模式。

2.2.2 算法实例

为了证明遗传算法用于数据挖掘技术的有效性，以银行发放信用卡的填写数据为例来证明。首先将数据划分为训练集和测试集，具体的数据如表1和表2所示：

表1 训练数据集

2.2.2.1 染色体结构和编码方案

我们首先把待发卡客户记录的实体数据数值化处理，形成方便遗传算法处理的二进制数据。做如下约定[3]：

表2 测试数据集

对于客户的性别、学历等离散字段，直接采用不同的二进制数表示；对于客户收入、月消费额度、年龄等连续字段，首先将该类字段的数据划分成若干区间，然后把不同的区间段用不同的二进制数表示。例如学历属性高中、本科、硕士、博士可以分别用00、01、10、11等来表示；年龄划分为[20,30]、[30,40]、[40, 50]、[50,60]等几个区间，分别用00、01、10、11表示。其他字段采用同样的方法处理，从而得到适合遗传算法处理的数据。

2.2.2.2 适应度函数的定义

根据银行现行办理信用卡的数据进行分析处理得到如表三所示的权值分配表，另外规定分别用字母A、B、C、D、E、F代表月平均收入、年龄、性别、月平均消费、是（否）拥有信用卡，从而得到适应度函数：

Ki=A+B+C+D+E+F

表3 各字段权值分配

将表1中的数据作为遗传算法的初始种群，计算各个初始个体的适应度：f(1)=0.432、f(2)=0.213、f(3)=0.221、f(4)=0.352

2.2.2.3 进行选择算子、交叉概率和变异概率的运算

2.2.2.4 终止条件的设定

将已产生的最大世代数和最大适应度作为终止条件。经过几次迭代后，得到最优模式：011001110111，而这一模式的含义就是月收入在3000元以上、年龄在35至45岁之间、拥有信用卡和本科以上学历的男（女）性为最佳选择。由此得到的数据与银行发卡后得到的数据基本吻合，由此说明了算法的有效性。

3 结束语

本文采用DW+OLAP+DM 框架结构的决策支持系统是当前决策系统中比较理想和完善的架构，本文对该结构主要在数据挖掘部分予以了优化改进。它与传统的数据挖掘算法相比，具有算法效率高、计算速度快的特点，同时由遗传算法得到的解可以不唯一，这样我们就可以根据解的不唯一，对现实问题采取不同的对策，让决策者更客观、更实际的决策。

参考文献：

[1]Usama M.Fayyad. Data mining and knowledge discovery:making sense out of data[J].IEEE Expert,1996,11(5):20-25.

[2]Richard J.Roiger, Michael W.Geatz. Data Mining: A Tutorial-BasedPrimer[M].PearsonEducation,2003.

[3]欧创新.数据挖掘与数据库营销的研究与应用[D].北京：北京工业大学，2004.

[4]王淑静，贾兆红等.遗传算法在决策支持系统和数据挖掘中的应用[J]．计算机技术与发展,2006,16(8):35-37.