群体遗传学概念篇1

“自然选择学说”被恩格斯誉为19世纪三大自然科学发现之一。学生在初中生物课堂上已经学过，已有初步了解，但由于遗忘和缺乏深入系统的体验和学习，很难正确理解和把握自然选择学说的要点和精髓。虽然教材给出了达尔文自然选择学说的解释模型，但学生仍对该学说的四点内容的内在联系模糊不清。针对以上情况，笔者通过构建概念模型让学生理解“消化”该学说四点内容的内在联系。

课前指导学生阅读教材中达尔文自然选择学说的解释模型，多媒体展示长颈鹿脖子的进化组图，引导学生回顾初中有关进化的知识，组织学生尝试用达尔文的观点解释。长颈鹿实例证明：长颈鹿在繁殖过程中存在变异现象，有颈长或颈短的变异，脖子长的可以吃到高大的树木上的叶子，过于短的可以吃草和灌木，但介于二者间的无法获取足够的食物，它们便会饿死，使其数量减少，最后全部消失。因为其他长颈鹿不具有这样的基因，在以后的繁殖过程中就不会存在脖子长度适中的长颈鹿。通过问题引导和帮助学生理解把握“过度繁殖、生存斗争、遗传变异、适者生存”对生物进化的作用，构建“自然选择”这一概念。左下图教师一边讲解一边和同学一起建构，右下概念图作为小结，概念模型如下：

先多媒体展示果蝇大量繁殖图，直观地告诉学生生物普遍具有过度繁殖的特性。观察一窝多鼠图旨在启发学生：后代在性状上有较大差异，即生物产生了变异。由于受到当时科学发展水平的限制，对于变异的本质达尔文还不能做出科学的解释。但通过对人教版必修2第5章的学习学生已掌握生物变异的原因，把前后知识联系起来，从而使分散的生物学概念系统化，形成知识体系，帮助学生记忆，提高学生的学习素养。桦尺蛾实例证明：在18世纪，英国的许多树干上都长满了地衣，一些体色（灰白色）的桦尺蛾可以避开猎食者，所以它的数量较多，但偶尔也能看见黑色的桦尺蛾。18世纪末，随着工业革命的进行，烧煤的工厂排出大量浓密的黑烟。煤烟杀死了地衣熏黑了树皮，有利于黑色的桦尺蛾生存。于是1840年前后，98%的桦尺蛾都变黑了。因此，我认为即使是相同的内容，如果教学目标不同，构建的概念模型有可能不同。把前后知识通过以下概念图串联起来，可以帮助学生形成比较系统的知识网络。

通过构建概念模型，学生理解自然选择中四个主要内容之间的联系：（1）自然选择学说的四点主要内容不是孤立的，而是相互联系的。（2）遗传和变异是自然选择的内因，遗传使生物保持物种的稳定性和连续性，变异使物种向前发展进化。（3）过度繁殖产生的大量个体不仅提供了更多的变异，为自然选择提供了更多的选择材料，而且加剧了生存斗争。（4）变异一般是不定向的，而自然选择是定向的，决定着生物进化的方向。（5）生存斗争是自然选择的过程，是生物进化的动力，而适者生存是自然选择的结果。（6）遗传和变异是基础，过度繁殖是前提，生存斗争是手段，适者生存是结果。

构建概念模型可以是一次教学活动的目标，也可以是在教学过程中为实现教学目标而采用的一种教学手段。

通过以下练习，可以检测学生的掌握情况。

1.用达尔文的自然选择学说来判断下列叙述中正确的是（A）

A.野兔的保护色和鹰锐利的目光是它们相互选择的结果

B.长颈鹿经常努力伸长颈和前肢去吃高处的树叶，因此颈和前肢变得很长

C.尺蛾工业黑化现象是因为受煤烟污染而被熏黑的

D.北极熊为了适应冰天雪地的环境，所以它定向地产生了白色的变异

2.有性生殖的出现直接推动了生物的进化，其原因是（D）

A.有性生殖是高等生物所存在的生殖方式

B.有性生殖是经过两个生殖细胞的结合

C.有性生殖是由减数分裂形成的

D.通过有性生殖，实现了基因重组，增强了生物的变异性

3.如图是一农田长期使用一种农药后害虫群体密度变化曲线。下列叙述，不符合达尔文进化观点的是（B）

A.随着农药的使用，害虫群体的抗药性逐渐增强

B.农药使害虫产生变异

群体遗传学概念篇2

prewitt等人于六十年代中期提出的直方图双峰法(也称mode法)是典型的全局单阈值分割方法。该方法的基本思想是：假设图像中有明显的目标和背景，则其灰度直方图呈双峰分布，如图所示：

当灰度级直方图具有双峰特性时，选取两峰之间的谷对应的灰度级作为阈值。如果背景的灰度值在整个图像中可以合理地看作为恒定，而且所有物体与背景都具有几乎相同的对比度，那么，选择一个正确的、固定的全局阈值会有较好的效果。例如图4.1所示：

图4.1

原始灰度图像

图4.2

灰度直方图

当选定阈值m为100时，分割效果如下：

图4.3

分割后图像

通过对上示图片的比照，对于简单的，背景图像和目标图像对比鲜明的图片，我们很容易通过其灰度直方图找到分割用的阈值（m=100），从而将图像按照灰度的不同区分开来。

这种方法虽然简单易行，但是因为同一个直方图可能对应若干种不同的图像，所以使用双峰法需要有一定的图像先验知识，而且该方法不适合用于直方图中的双峰差别很大或双峰之间的谷部较宽广而平坦或者只有单峰的图像。例如，在对于下示图4.4，图4.7，图片的处理：

图4.4

原始图像

图4.5

灰度图像

图4.6

灰度直方图

图片4.5的直方图平坦，无法找出两峰之间的峰谷。

图4.7

原始图像

图4.8

灰度图像

图4.9

灰度直方图

图片4.8的直方图的各峰差别大，无法通过峰谷判定阈值。因此，阈值的难以确定，导致对这两幅图片采用灰度直方图法的失败：

图4.10

分割结果

图4.11

分割结果

由于图片4.5直方图的平坦，无法找出两峰之间的峰谷，而图片4.8的直方图各峰差别很大，导致图片4.5和图片4.8都无法获得足够的图像先验知识，从而使本方法的使用遇到困难，阈值的寻找困难直接导致在采用本方法处理图片后，分割后的图像与原图像的差别很不明显，并未达到实际的分割效果。因此，本方法的使用的局限性很大，只适于对一些简单的背景和目标图像的灰度差别很大的图像的处理，（程序源代码参见附录一），而且不便于阈值的自动选择，无法完全自动的有程序实现。

第五章模糊理论和遗传算法理论简介

传统的信息处理方法建立在概率假设和二态假设(probalityassumption

&binary-stateassumption)的基础上。概率假设使传统的数学应用范围从确定性现象扩展到随机现象，二态假设对应了人类的精确思维方式。但自然界客观存在的事物除了可以精确表示之外，还存在着大量的模糊现象，如“年轻人”、“高个子”等，究竟多大年龄之间算“年轻’，，多高个子为“高个子”，这是人们观念中的模糊的概念，模糊(fuzzy)概念由此产生。模糊性也就是生活中的不确定性。实际上客观事物的不确定性除了随机性外，模糊性也是一种不确定性。所谓模糊性是指事物的性质或类属的不分明性，其根源是事物之间存在过渡性的事物或状态，使它们之间没有明确的分界线。

在自然科学中，人们长久以来习惯于追求精确性，总希望把事物以数学方式描述出来，然而，面对模糊现象，传统的数学方法遇到了实质性的困难。但对于人的大脑而言，它具有很高的模糊划分、模糊判断和模糊推理的能力，而且人们为了表达和传递知识所采用的自然语言中已巧妙地渗透了模糊性，并能用最少的词汇表达尽可能多的信息。但是，对于计算机来说，无论它怎样发展，总无法达到人脑的境界，所以，用计算机来处理模糊信息，就需要一种能够将模糊语言形式化的工具，用数学的方式处理这种模糊性。模糊数学的一个重要特点，就是让数学反过来吸收人脑的模糊识别和判决特点，并将之运用于计算机，使部分自然语言能够作为算法语言直接进入程序，让机器通过模仿生物的思维判别模式，使人们能够以简易的程序来调动机器完成复杂的任务，从而大大提高机器的灵活性。人工智能，计算生命，遗传算法等前沿学科正是模糊数学理论发展的结果。在面对工程领域中大量的无法采用传统优化方法解决的复杂的、非线性的优化问题时，遗传算法作为模糊数学理论中重要的一支，因其具有简单、通用，鲁棒性强，且易于并行性的特点，而广泛应用于工程设计的优化，系统辨识和控制，机器学习，图像处理和智能信息处理等领域。

本文正是以遗传算法这一新的,融生命科学与工程科学于一体的全局搜索算法为主要的研究与讨论方向，重点讨论了基于遗传算法理论的图像分割问题。

5.1遗传算法的基本概念

遗传算法(ga-geneticalgorithms)是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，由michigan大学的j.holland教授于1975年首先提出。它将“适者生存”的进化理论引入串结构，并且在串之间进行有组织但又随机的信息交换。通过遗传操作，使优良品质被不断保留、组合，从而不断产生出更佳的个体。子代个体中包含父代个体的大量信息，并在总体上胜过父代个体，从而使种群向前进化发展，即不断接近最优解。由于遗传算法是自然遗传学和计算机科学相互结合渗透的产物，因此借用了许多自然进化的基础术语。

·种群(population)和个体(individuals)

遗传算法处理的是染色体，或者叫基因型个体，通常以一维串结构资料来表现。一定数量的个体组成了种群(population)，或叫集团。

·种群规模(populationsize)

种群中个体的数目称为种群大小，也叫种群规模。

·适应度函数(fitnessfunction)

各个个体对环境的适应程度叫做适应度。对于优化问题，适应度函数就是目标函数。遗传算法对适应度函数并不要求可导等条件，只要求适应度函数为可加以比较的非负函数。

·编码(coding)、译码(decoding)操作

遗传算法必须包含两个必须的资料转换操作，即把搜索空间中的参数或解转换成遗传空间中的染色体或个体，称为编码操作；反之，称为译码操作。

·选择(selection)、交叉(crossover)和变异(mutation)操作

这三个操作数是遗传算法的三个主要操作操作数，即遗传操作(geneticoperation，是遗传算法的特点。(详细介绍将在下节。)

5.2遗传算法5.2.1遗传算法的基本流程

标准遗传算法((sga)的基本流程如图所示，算法主要步骤如下图5.1示：

1)随机产生初始种群，作为第一代。个体长度、种群规模、交叉概率、变异概率为固定值;

2)对父代种群计算适应度值;

3)判断是否满足终止条件，是，则执行步骤4:否则，进行选择、交叉、变异操作形成子代种群，并将子代种群作为下一次叠代的父代种群，转入执行步骤2;

4)输出最佳个体，退出。

shape\*mergeformat

5.2.2遗传算法的要素

遗传算法具有5个基本要素:编码机制，初始种群的设定，适应度函数的设定，遗传操作，控制参数的设定。具体步骤如下：

1.编码机制

编码机制是遗传算法的基础。通常遗传算法不直接处理问题空间的资料，而是将各种实际问题变换为与问题无关的串个体。对染色体串的遗传操作只与遗传算法的理论、技术有关，而与具体实际问题无关。这一特性增大了遗传算法的适用性。当实际问题变化时，可只改变适应度函数，而无需改变其它操作，加强了代码的通用性。最常用的方法是二进制串结构编码。

2.初始化种群设定

遗传算法处理流程中，编码设计之后的任务是初始种群的设定，并以此为起点一代一代的进化直到按照某种进化终止准则终止。最常用的初始方法是无指导的随机初始化。

群体遗传学概念篇3

关键词:遗传算法;关联规则;C++

中图分类号:TP311文献标识码:A文章编号:1009-3044(2009)34-9775-02

AImpovementofMiningMethodforAssociationRulesBasedonGeneticAlgorithm

HUANGCheng,MIGen-suo,LIShu-chen

(LanzhouJiaotongUniversity,GansuProvince,Lanzhou730070,China)

Abstract:Thispaperprovidesanoverviewofminingassociationrulesandclarifytheconceptofgeneticalgorithms.Furthermore,thoughC++implementation,theimprovementtotheapplicationofassociationrulesbasedonconventionalgeneticalgorithmisproposed.Applicationexampleshowsthatthisimprovementhaspracticalvalue.Andfinally,thefurtherneedforimprovementispointedout.

Keywords:geneticalgorithm;associationrules;C++

1引言

1.1数据挖掘

简单的说,数据挖掘是指从大量的数据中提取或“挖掘”知识[1]。数据挖掘是对数据进行分析的一种手段,目的是发现未知的关系和知识。

1.2关联规则挖掘

简言之,关联规则挖掘(也称相依分析)是研究“什么与什么相伴”,例如,医学研究者可能对认识哪些症状伴随哪些已有诊断感兴趣[2]。它在商业领域已经有了很多应用,比如:超市货物的摆放。

1.3Apriori算法

Apriori算法是最有影响的计算关联规则频繁项集的算法。但是它可能产生大量的候选集,以及需要重复扫描数据库,是Apriori算法的两大缺点。

1.4遗传算法

遗传算法是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法[3]。“适者生存”揭示了大自然生物进化过程中的一个规律――最适合自然环境的群体往往产生了更大的后代群体,遗传算法主要借用了这一规则[4],逐步使种群进化到包含近似最优解的状态。

2简单遗传算法在关联规则上的应用

2.1一种简单遗传算法的实现

遗传算法在关联规则上已经有了一定的应用。这种方法是一种在挖掘的过程中不产生频繁集候选项的挖掘方法。下文将概括一种常用的简单遗传算法实现方式,但是根据情况的不同,具体实现也会有所不同。

2.1.1编码方式

编码方式采用数组方式,如果该位以一个数字代表一种情况,如果是什么无所谓,就选择用通配符(一般选择0)。比如如表1所示的编码映射表。

如:{性别(男)数据结构(良),大学物理(良)}可编码为100033。编码前半段是“因”,后半段是“果”。前后两部分应是互斥的,即前后半段按位对比,至少有一个为0。

2.1.2选择

采用赌选择法,选择合适的染色体。

2.1.3交叉

采用单点交叉,如图1。

在交叉后,染色体前半段和后半段不互斥时,自动把前半段的相交部分置为0,以保证基因的有效性(在某些情况下,还要考虑特殊处理)。

2.1.4变异

随机选取变异的位置,变异率取0.1。

2.1.5适应度函数

适应度函数的选择只依赖可信度和支持度,并且支持度和可信度仅为简单的加权线性相加。

2.2简单遗传算法的问题

简单遗传算法容易发生“早熟”,使得最终搜索到的结果不是全局最优解,而是局部最优解。

3改进遗传算法在关联规则上的应用

在改进的遗传算法中,将引入分层遗传算法的思想。这种方法可以提高种群的多样性,而这样的多样性对关联规则挖掘尤其重要。并改进适应度函数,在原来的适应度函数中加入了关于具体值个数的参数,使得原来算法中比较难出现的比较细节的规则保存下来,并被挖掘出来。

3.1引入分层遗传算法

在简单的遗传算法的基础上,改进成分层遗传算法。这种改进算法在算法执行初始化阶段,初始化了N个种群。每个种群单独运行经典遗传算法。到一定的代数以后,查看结果是否达到要求。如果有种群达到要求,退出算法;如果没有种群达到要求则执行种群间选择和交叉,并进行变异。然后重复每个种群单独运行简单遗传算法。

3.2算法具有的优点

这样做的优点在于,每个低级遗传算法经过一段时间后,可以获得某个子串上的优良模式。通过高层遗传算法,可以将好的模式结合在一起,从而得到更优的个体[3]。

3.3适应度函数的改进

适应度函数不应该只包含支持度或者可信度,因为越具体的情况支持度就越低,但是在某些情况,需要包含更多信息的规则被挖掘出来,所以应该采用某种方式折中取舍。在本文中采用了包含支持度、可信度和具体值个数这三个参数的函数为适应度函数。具体函数如下:

当support≥b,

当support≤b,

注:其中a,b,c是常量(a大于0小于1,b、c为大于1的数),具体值应该根据实际数据库的情况和用户的需求来定。而support是该染色体的支持度,confidence是该染色体的可信度,coverage是这个染色体涉及到的具体值的个数。

3.4种群选择

种群间的选择也是采用赌选择法,选择合适的种群,但是适应度用的是种群平均适应度,这样就可以让具有优势的种群保存下来。

3.5种群之间交叉

种群之间交叉是通过交换种群之间的染色体实现的。交叉时采用单点交叉法。这种交叉方法非常类似于染色体的交叉。但是有所不同是的,交叉的不是一部分染色体的字段,而是种群之间的部分染色体。这样就可以实现更高层次上的交差了。

3.6整体变异

以很小的概率随机产生新的个体,并随机替换所有种群中的任意一个染色体。这种变异也是很类似染色体的变异。和种群间的交叉一样,整体变异也是更高层次上的变异。

3.7流程图

图2为分层算法流程图。

4仿真应用实例

本文用某个学校的学生信息作为应用实例。该数据库,是通过随机数产生的。在产生数据库时,作者按照一般常识给了某些规则较大的支持度和置信度。比如:C++优=>java优

4.1算法实现

算法由VC2003实现,程序中主要包括几个UI类、一个基因范围描述类、一个染色体类、一个普通种群类、一个分层种群类。在每个类中提供相应的遗传算法所需的接口。最后通过UI向遗传算法业务类发出算法开始命令,并将最后结果显示在UI界面上。为了简化程序仅反映算法,实现中并没有使用多线程上报执行代数的软件技术,仅显示关联规则的结果。

4.2关联规则挖掘结果

从图3中我们可以清楚看到部分规则。这些规则包括:数据结构较好的算法也会比较好,C++好的往往Java也比较好,C语言较好的往往C++较好,离散数学较好的数据结构成绩通常比较优异。这些结论也很符合实际情况,所以证实该算法可以用于实践。

5结束语

本文提出了在关联规则中所使用简单遗传算法的一种改进。在简单遗传算法的基础上引入了分层遗传的思想,并改进了适应度函数。接着,通过一个实例的应用得出了实用的关联规则。这证实改进后的遗传算法可以应用于关联规则的挖掘之中。由于作者能力有限,难免会有错误。尤其是这个算法仅在小的数据中使用,并没有进行过大范围实用,相信还会有很多地方需要改进。比如:包含大量数据项的染色体的编码方式,染色体支持度、可信度的求解。

参考文献:

[1]韩家炜(加),堪博,著,范明,孟小峰,译.数据挖掘概念与技术[M].北京:机械工业出版社,2007.

[2]西蒙(印度)著.数据挖掘概念与技术[M].范明,牛常勇,译.北京:机械工业出版社,2009.

群体遗传学概念篇4

,“主要源自日本于1950年颁布的《文化财保护法》中提出的“无形文化财”的概念,首次将‘有形文化财’区分出来”。但1972年的《世界自然和文化遗产公约》保护的文化遗产也只局限于物质类,而未包括“非物质文化遗产”。1997年,联合国教科文组织通过了建立“人类口头和非物质遗产”的决议。此后,在2003年10月教科文组织通过了《保护非物质文化遗产公约》(以下简称《公约》),并设立《人类非物质文化遗产代表作名录》。自此,“非物质文化遗产”取代了之前的“口头与非物质遗产”。

“非物质文化遗产”的概念在《公约》第二条得到清楚的规定:“被各群体、团体、有时为个人视为其文化遗产的各种实践、表演、表现形式、知识和技能及其有关的工具、实物、工艺品和文化场所。各个群体和团体随着其所处环境、与自然界的相互关系和历史条件的变化不断使这种代代相传的非物质文化遗产得到创新,同时使他们自己具有一种认同感和历史感,从而促进了文化多样性和人类的创造力。在本公约中,只考虑符合现有的国际人权文件,各群体、团体和个人之间相互尊重的需要和顺应可持续发展的非物质文化遗产。”包括以下方面:(1)口头传说和表述,包括作为非物质文化遗产媒介的语言;(2)表演艺术;(3)社会风俗、礼仪、节庆;(4)有关自然界和宇宙的知识和实践;(5)传统的手工艺技能。虽然“非物质文化遗产”一词容易使人误认为不需以物质为载体,但根据《公约》第三十九条又规定中文文本是有效文本,因此该词一直使用至今。

我国曾使用不同的术语,如民间文学艺术、民间传统文化、传统知识。直到2005年《部级非物质文化遗产代表作申报评定暂行办法》(以下简称《办法》)第二条规定:“非物质文化遗产指各族人民世代相承的、与群众生活密切相关的各种传统文化表现形式(如民俗活动、表演艺术、传统知识和技能,以及与之相关的器具、实物、手工制品等)和文化空间。”包括六大方面:(1)口头传统,包括作为文化载体的语言;(2)传统表演艺术;(3)民俗活动、礼仪、节庆;(4)有关自然界和宇宙的民间传统知识和实践;(5)传统手工艺技能;(6)与上述表现形式相关的文化空间。

比较《公约》和《办法》对“非物质文化遗产”(以下简称“非遗”)定义的区别,《公约》对定义更加详细。在分类中,《办法》更强调传统性,还特意增加兜底条款“与上述表现形式相关的文化空间”。

(二)与几个概念的区别

“学界在讨论‘非物质文化遗产’的特征时,往往提到地域性、民族性、传统性等”,但这并非一定是“非遗”所固有的,其他类型的遗产也可能具有,如泰山。”“作为自然和文化遗产,位于黄河流域,五岳之东,一直作为中国古时的帝王敬天的场所,同时具有地域性和民族性。”

与“世界文化遗产”的区别。非物质性是“非遗”与“世界文化遗产”的根本区别。《保护世界文化和自然遗产公约》第1条规定:“文化遗产包括:文物:从历史、艺术或科学角度看具有突出的普遍价值的建筑物、碑雕和碑画、具有考古性质成份或结构、铭文、窟洞以及联合体;建筑群:从历史、艺术或科学角度看,在建筑式样、分布均匀或与环境景色结合方面,具有突出的普遍价值的单立或连接的建筑群;遗址:从历史、审美、人种学或人类学角度看具有突出的普遍价值的人类工程或自然与人联合工程以及考古地址等地方。”另外,在保护方法上,两者也有重大的区别,“世界文化遗产”主要运用物理、环境的方法;而“非遗”则主要通过遗产拥有者传承的方法。“如入选‘非遗’西藏《格萨尔》史诗是靠后人的口口相传。”

与“传统知识”的区别。出于保护角度的区别,“非遗”是从民俗传统保护的角度出发,而“传统知识”是从知识产权保护的角度出发。WIPO对传统知识的定义为:“传统知识……是指基于传统的文学艺术或科学作品;表演;发明;科学发现;设计;标志、名称和符号;未公开信息;以及其他一切来源于工业、科学、文学或艺术领域智力活动,基于传统的革新和创造成果。并不包括非遗的社会实践、仪式、节庆活动。与民间文艺表达(又称传统文化表达)的区别

。根据WIPO和教科文组织制定的《保护民间文艺表达免受违法利用和其他损害示范法》,仅限于艺术遗产,排出了科学知识在外,而“非遗”则包括两者。

二、保护制度

“《公约》自2006年4月20日生效,规定了对非物质文化遗产的保护制度。教科文组织总干事松浦晃一郎祝贺道,这一新文书为非物质文化遗产提供了恰当的保护手段,从而填补了一个重大的司法空白。”“截至2010年6月10,共有134批准了该公约。”

(一)名录制度

1999年,教科文组织通过了设立“人类口头与非物质遗产代表作名录”(以下简称“口头遗产”)的决议,后自《公约》生效后,“口头遗产”就纳入到“非遗”名录(第三十一条)。至2001年,每两年一次。

根据《执行<保护非物质文化遗产公约>的业务指南》(2010年6月修正),列入《人类非物质文化遗产代表作名录》的遗产符合以下所有标准:(1)该遗产属于《公约》第2条定义的非物质文化遗产。(2)将该遗产列入名录,有助于确保扩大该非物质文化遗产的影响,提高对其重要意义的认识,促进对话,从而体现全世界的文化多样性,并有助于见证人类的创造力。(3)制订的保护措施对该遗产可起到保护和宣传作用。(4)在社区、群体,或适当时有关个人尽可能最广泛的参与下,在其自由事先知情同意下,该遗产得以申报。(5)该遗产已按《公约》第11条和第12条的规定,列入申报缔约国境内的非物质文化遗产清单。至今,教科文组织应经宣布五批代表作,全世界共213个“非遗”入选该名录,中国占其中的共28个。(二)国际合作与援助制

“尽管《公约》没明确像《月球协定》、《联合国海洋法公约》一样,将‘非遗’明确为‘人类共同遗产’”,但还是明确的指出:“保护人类非物质文化遗产是普遍的意愿和共同关心的事项,……国际社会应当本着互相合作的精神与本公约缔约国一起为保护此类遗产做出贡献。”因此,在第一条总则第1.4条关于本公约的宗旨便指出:“开展国际合作及提供国际援助。”

在第20至24条中,详细规定了非物质文化遗产的国际援助的目的、形式、条件、申请、以及受援助缔约国的任务。国际援助可采取的形式如下:“(1)对保护这种遗产的各方面进行研究;(2)提供专家和专业人员;(3)培训各类所需人员;(4)制订准则性措施或其他措施;(5)基础设施的建立和营运;(6)提供设备和技能;(7)其他财政和技术援助形式,包括在必要时提供低息贷款和捐助”这些援助涵盖了人才、制度、技术、资金等必要的层面。

(三)基金制度

为了实施国际合作和援助,《公约》规定了要建立一项“保护非物质文化遗产基金”(下称“基金”),根据第25.3条,资金的来源包括:(1)缔约国的纳款;(2)教科文组织大会为此所拨的资金;(3)以下各方可能提供的捐款、赠款或遗赠:第一,其他国家;第二,联合国系统各组织的和各署以及其他国家组织;第三,公营或私营和个人;(4)基金的资金所得的利息;(5)为本基金募集的资金和开展活动之所得;(6)委员会制定的基金条例所许可的所有其他资金。

另外,防止基金用于政治目的,第25.6条还进一步规定:“对基金的捐款不得附带任何与本公约所追求之目标不相符的政治、经济或其他条件。”

(四)报告制度

《公约》在第29、30条分别规定了缔约国的报告制度和委员会的报告制度。缔约国应当按照委员会确定的方式和周期向其报告它们为实施本公约而通过的法律、规章条例或采取的其他措施的情况。委员会应在其开展的活动和缔约国报告的基础上,向每届大会提交报告,该报告应提交教科文组织大会。通过报告报告,委员会得以监督缔约国立法行为和行政行为等保护措施,有效地使《公约》得到实施。

三、结论

非物质文化遗产的保护面临着全球化的挑战,保护的任务是极其繁琐、艰巨,国际保护显得是极其必要的。代表作名录的建立,能有效地提高全世界人民对多元化的非物质文化遗产的重视;另外国际合作和援助,能促进国际交流,加强国际的保护。再加上非物质文化遗产基金的基金,使得这些国际保护得到资金的保障。同时,避免干涉内政,国际保护不能出于其他政治目的。参考文献:[1]李国.非物质文化遗产的国际法律保护.山东大学.2008.[2]李墨

丝.非物质文化遗产保护法制研究——以国际条约和国内立法为中心.华东政法大学.2009.

[3]杨帆.世界自然与文化遗产.people.com.cn/GB/wenhua/1087/2495193.html.

[4]叶超.《格萨尔》——从口口相传到白纸铅字.news.xinhuanet.com/book/2004-06/16/content_1528494.htm.

[5]张德财.非物质文化遗产法律保护研究.华东政法大学.2007.

[6]IntangibleCulturalHeritage.unesco.org/culture/ich/index.php?lg=en&pg=00024.

群体遗传学概念篇5

遗传算法是模拟自然界生物遗传和进化的过程，以群体共同进化的形式搜索一个问题的最优解。群体中每个个体并行的进行适应度评价、选择算子、交叉算子和变异算子等操作并产生新一代个体。交叉算子模仿自然进化过程中两个同源染色体通过而重组产生新的染色体。交叉有一定概率可以结合两染色体的优良基因产生更优的个体，交叉算子是累积优良模式的主要环节。变异算子模拟自然界中基因突变，使复制给新个体的染色体中的基因有一定概率转化为其等为基因。适应度评价算子评价每个个体的表现型求最优解的优良程度，为优胜劣汰提供依据。选择算子是模拟自然界优胜劣汰的过程，以较高的概率保留适应度高的基因，激励好的特性在群体中扩散。选择算子在根据适应度选取的基础上具有一定的随机性，因为选择要容忍一定量的较劣个体的存在以保持种群基因的多样性，保证搜索的全局性，防止算法出现早熟现象。

改进小生境变种群规模遗传算法

为使遗传算法对于复杂的约束和目标函数有较好的稳健性和收敛速度，本文介绍了一种带有小生境技术的变种群规模的遗传算法。讨论了种群规模的周期性波动对进化的促进作用，引入了一种新的对约束的处理方法，并改变了选择算子的意义，引入配对算子，规定多父代竞争。整体的程序流程图如图1．

1种群规模波动

传统的遗传算法一般采用固定种群规模。然自然界中大的生物进化一般都与种群规模的大幅度波动同时发生。生物进化可以分为两个阶段，第一阶段环境稳定种群规模缓慢上升，优良基因逐渐产生与积累;第二个阶段，环境发生灾变种群规模下降，优良基因得到选择并在种群中扩散。改进的遗传算法采用变种群规模规则，种群中个体存活多代，并根据其适应性以某概率被淘汰，存活下的个体按其竞争性依概率交叉配对产生新个体。采用改变约束条件惩罚的苛刻程度的方法使种群规模周期性波动，从而逐步催生优良基因。设定惩罚苛刻程度的系数为:

2二维小生境

在自然界中，生物一般总和特征相似的生物生活在一起，繁殖后代。又加上地理位置的限制，基因与外界交流得到限制，一个区域的生物群形成一个基因相对独立的小生境。在传统的遗传算法中，选择、交叉算子在整个群体内进行，所有个体的基因交流没有限制，相对优良的基因会很快的在整个种群内扩散，个体很难保持各自的进化方向，整个种群趋于收敛于一个解。故传统的遗传算法很容易出现早熟现象。为改进算法的全局收敛性，引进小生境的概念，将个体的基因交流限制在一个小区域内进行。如图2所示，在改进的遗传算法中，采用一种位置争夺的小生境技术。将群体投影到一个二维空间。初始种群中个体不会占满全部空间，而是几个个体聚集在一起组成一个初始的子种群，每个子种群之间有一定空间距离。个体在其小生境内进行交叉和配对算子。新生的个体在由母体限定的空间区域内。子种群间会争夺有限的空间，最终使优良基因占有更大空间。

3对目标函数和约束的处理

机械产品的设计要优先考虑满足约束，故机械的优化设计一般为约束优化问题。用遗传算法优化时，处理约束比较常见的方法有如下几种:(1)将不符合约束的个体直接从群体中剔除。(2)采用惩罚函数法，为常用的方法。这种方法要根据不同的约束定义惩罚函数，惩罚函数选取不当将很大的影响优化的收敛速度，或算法很难找到可行解，即使偶然找到，解很差。()采用特殊的编码技术，避免产生不满足约束的解，或采用修复技术，但只适用于个别特殊的优化问题。

考虑到在优化设计时以满足约束优先的原则，受到自然界进化机制的启发，将目标函数与满足约束分别用配对和选择两个算子进行搜索。用选择算子淘汰不满足约束的个体，用配对算子挑选下一代个体的父本，使的竞争性高的个体有更大的机会与母本配对。遗传算法在对所有个体进行目标函数和约束的计算评估出适应性和竞争性后，先通过选择算子淘汰部分个体，再从剩余个体中以每个个体为母本，从此个体的一个邻域通过配对算子得到父本，进而进行交叉算子产生新个体。

4编码

在遗传算法搜索过程中，算法不是直接对求解问题的决策变量进行操作，而是通过编码将解空间投射到基因空间，通过交叉，变异对基因进行操作，这是遗传算法的特点之一。编码是应用遗传算法解决实际问题时要考虑的首要问题，大部分情况下它是影响遗传算法运行效率的主要因素之一。常用的编码方法有:二进制编码法、灰码编码法，浮点数编码法，符号编码法。对于机械优化的问题，设计参数存在尺寸参数等连续值和结构、形状、材料型号等离散量。为保证编码的通用性，采用对离散值和连续值都兼顾的灰码进行编码。

5交叉算子

对于二进制编码的遗传算法，常用的交叉运算方法有单点交叉、双点交叉、均匀交叉等。根据模式理论，为保存优良模式，交叉点选取应越少越好。但如图所示，单点交叉实际上可以看成是默认以基因段开头与末端为一个交叉点的双点交叉，因此单点交叉对在染色体上不同分布的模式保留的概率不同。故采用模式保留概率稳定的双点交叉算子。交叉的另一个问题是交叉点的选取。交叉点选取一般的方法为等概率的随机选取。等概率选取交叉点可能存在交叉两片段的基因型相同的情况，则交叉运算后是基因型未改变，降低了交叉效率。故在交叉中剔除相同基因型的交叉

6变异算子

采用均匀变异算子，对于复制给新个体的每个基因都以父本的变异率变异成其等位基因。变异率会根据个体的适应性在基本变异率的基础上做

7选择算子

传统的遗传算法每个个体只生存一代。选择算子的作用是为配对、交叉产生下一代提供父本。选择算子将适应度高的个体有较高的概率遗传到下一代，适应度较低的个体有较低的概率遗传到下一代。本文提出的遗传算法规定种群的规模是可变的，并且每个个体可以存活一代以上。在改进的遗传算法中选择算子的作用是选择群体中将生存到下一代的个体。根据满足约束的程度计算出适应性，让适应性低的个体有更高的概率被淘汰。选择只保证选择个数的期望为与群体规模成固定比例，个体给选择的概率与个体适应度成正比，本算法的适应度是以满足约束为表征。

8配对算子

配对是在基因池中为交叉运算选出一对父母本的过程，是选择算子与交叉算子的中间过程。常用方法是随机配对。本例中的配对是在小生境的范围内进行的，配对的过程中根据个体的竞争性即目标函数值得优劣进行选择。种群中每个存活2代以上的个体在配对算子中都有一次机会作为母本，在小生境的范围内由近到远顺时针选择父本。目标个体被选择为父本的概率与其在小生境内竞争性的排名成正比。

实验与结果分析

机械问题的模型可分为连续函数问题和组合优化问题两类。为验证改进的遗传算法的性能并证明其在机械设计中的可行性，做了如下几组实验。首先通过解装箱问题验证变种群对搜索速度的影响，之后通过对比改进的遗传算法、微粒群算法和标准遗传算法在解决装箱问题以及工程实中的减速箱齿轮组设计和起重机主梁截面设计问题等三个问题的优化结果检验算法的优化性能，验证改进遗传算法的意义。

1种群规模变化对进化的影响实验

此部分采用的实验模型是组合优化中经典的装箱问题。为验证本文提出的种群规模周期性波动有利于促进种群进化的假设，设计改变种群规模波动幅度的实验。通过改变选择算子中的基本惩罚系数ke0来调节种群规模波动的幅度。本例中按波动从小到大分别进行了三组实验，波动幅度分别为，第一组幅值为0．5;第二组幅值为1;第三组幅值为1．5．上述实验结果均为20次独立重复实验最优个体的目标函数和约束值平均值。实验的结果如图4所示，第二组的优化结果最好，其中有15%能达到最优解4，平均结果为4．85;第三组次之，均能优化到次优解;而波动最小的第一组结果最差，有0%的解只能得到再次优解，平均结果为5．．三组实验的选择比例的平均值均为0．2，只有波动的大小不同。而从实验结果可以看出，种群规模适当的波动可以提高遗传算法的搜索效率和搜索结果，但当波动过大时又会降低搜索结果。可见，种群规模波动对进化具有实际作用。

2改进的遗传算法与其他算法的比较

为验证本文提出的遗传算法的优化性能，以基本遗传算法(SGA)、微粒群算法(PSO)与此处提出的变种群小生境遗传算法(这里简称DGA)做比较。(1)装箱问题本单元做了20重物装16箱、50重物装16箱的两组实验。第一组三种算法结果大致相同，第二实验结果如图5所示。可以看出，三种算法虽然搜寻速度大致相同，但改进的遗传算法能得到更优的最优解。本试验采用直尺圆柱齿轮二级减速器的模型，减速器设计条件为高速轴输入功率为6．2kW，高速轴转速n=1450r/min，总传动比i=1．5，齿宽系数φn=0．4;齿轮材料和热处理:大齿轮钢45、正火HB取值范围为187～207，小齿轮钢45、调质HB取值范围为228～255．要求按总中心距最小来确定总方案中的各主要参数。设计变量取为:()桥式起重机主梁截面的优化桥式起重机主梁，以箱形截面为基本结构，取箱形截面的主要尺寸为设计变量，在满足使用性5结束语遗传算法是对自然界的生物遗传进化的模拟，但是传统的遗传算法在种群规模、交叉繁殖和个体更替等方面的模拟过于简化，实际上弱化了每个个体在群体进化中能起的作用，使得遗传算法很难在解决复杂的问题时保持算法的稳定性，很难收敛于最优解。

群体遗传学概念篇6

关键词：量子遗传算法；背包问题；修复函数

中图分类号：TP301

文献标识码：A

0引言

背包问题是一个在运筹学领域里常见的优化难题[1]。工厂里的下料问题，管理中的资源分配，资金预算，投资决策，装载问题等均可建模为背包问题。研究该问题的求解方法，无论在理论上，还是在实践中都有较重要的意义。由于采用通常的数学方法很难在有限的时间内找出全局最优解，因此，背包问题的求解方法主要是一些启发式算法[2],如禁忌搜索算法、模拟退火算法等，也有一些文献用遗传算法求解该问题[3],但当问题的规模较大时,传统遗传算法求解的效果不太理想。

近年来，A.Narayannan和KukHyunHan等人将量子力学中量子比特、量子态叠加等概念引入到遗传算法中，提出了量子遗传算法（QuantumGeneticAlgorithm，简称QGA）[4]。它以量子计算的一些概念和理论为基础，如量子比特、量子态叠加等，用量子比特编码来表示染色体，用量子门更新来完成进化搜索。量子遗传算法在种群多样性和计算并行性方面优于传统遗传算法，可有效提高算法的收敛速度，减少早熟收敛[5]。本文提出了一种带修复函数的QGA来求解背包问题，在量子门更新时采用一种通用的旋转角调整策略，使编程更为简单。对于运行中产生的非法解，由修复函数进行修正。几个典型背包问题的测试结果表明，这种具有自修复功能的量子遗传算法在求解背包问题时，性能优于传统遗传算法。

1背包问题的描述

从计算复杂性理论来看，背包问题是个NP难题。它的描述有多种形式，本文仅考虑简单0/1背包问题。

0/1背包问题可描述为：现有m个物品x1,x2,…,xm，每个物品的重量为wi，价值为pi。要从其中挑选若干物品放入背包，背包的总容量为c。问应该如何选择物品，才能使背包中物品的总价值最大。

背包问题的数学表达为：

其中，xi只取0或者1，此时为0/1背包问题。

2量子遗传算法（QGA）简介

量子遗传算法是量子计算与遗传算法的结合。QGA基于量子计算中的量子比特和量子态叠加等概念，将量子比特的概率幅表示用于染色体的编码，这样，一个量子比特染色体可以表示多个态的叠加，使得该算法较传统的遗传算法具有更好的种群多样性和更高的计算并行性。模拟量子坍塌的随机观察使种群更加丰富。在个体更新时采用量子旋转门操作，而不是传统遗传算法中实现较复杂的交叉和变异操作，有效地提高了算法的收敛速度，并且可以方便地在算法的探索（exploration）和开发（exploitation）之间取得平衡，提高算法的寻优效率。

2.1量子比特编码

在QGA中，染色体中的基因不是用确定性的值（如二进制数、浮点数或符号等）表示，而是用量子比特（qubit）表示，或者说是用随机概率方式表示。一个量子比特不仅仅可以表示|0>态或|1>态，而且可以表示这两种状态的任意叠加态，即|0>态和|1>态的任意中间态。所以，该基因所表达的不再是某一确定的信息，而是包含所有可能的信息，对该基因的任一操作也会同时作用于所有可能的信息。一般地，一个基因（即量子比特）的状态可表示为：

其中，α和β分别是|0>和|1>的概率幅，且满足归一化条件：

量子遗传算法中采用的这种量子比特染色体表示形式，使一个染色体可以同时表示多个状态信息（一个m位的量子染色体表示2m个可能的状态），有利于保持种群的多样性，克服早熟收敛。

2.2量子门更新操作

在QGA中，量子比特个体是遗传信息的载体，而对信息的基本操作是由量子门来实现的。量子门通过对量子比特实施一种幺正变换来控制量子态的演化和传递，进而实现种群的进化。量子门的设计是QGA实现的关键，直接影响QGA的性能。一般情况下采用量子旋转门U，其更新过程如下：

为其通过量子旋转门更新后的新基因，θi为旋转角，其大小和符号是根据一个事先设计的调整策略而确定的。旋转角的幅值影响收敛速度，如果幅值过大，会导致早熟；若幅值过小，会使收敛速度减慢。其值一般在0.001π~0.05π之间[6]。与其他的进化算法类似，QGA也是一种概率搜索算法，只是其个体表示具有量子比特的形式。量子染色体的更新由量子门操作来完成，实际上是一种启发式进化策略，有助于提高算法的收敛速度。

3带修复函数的量子遗传算法求解背包问题的实现

3.1修复函数

在求解背包问题时，背包的总容量c是确定的，但是，不一定每个解都满足背包的容量限制条件（∑mi=1wixi≤c），必定有不满足限制条件的解存在，因此，对非法解的处理是解决背包问题的一个重要步骤。

经典背包问题在求最大利润时大多采用惩戒（penalty）函数和修复（repair）函数的方法[7]。本文采用修复函数的方法来修正非法解，使其变为可行的编码。具体实现方法如下：

设置一个寄存器overfilled，放置二值数0或1。1表示背包已装满，0表示背包没满。

(1)overfilled置0。

(2)若∑mi=1wixi>c，则overfilled置1。

(3)当overfilled为1时，随机选择一个xi使其为0，直到∑mi=1wixi≤c。此时，将overfilled置0。

(4)当overfilled为0时，随机选择一个xj使其为1，直到∑mi=1wixi>c。此时，将overfilled置1。

(5)将最后选择的一个xj置回0。

3.2算法实现

带修复函数的量子遗传算法求解背包问题的具体实现步骤如下：

（1）初始化：产生初始种群

其中qtj为第t代种群中的第j个量子染色体。

式中，n是种群中量子染色体的数目，由于量子遗传算法具有高度并行性，所以种群规模可以很小而不影响算法的性能，本文中取n=10；m为量子染色体的长度，即背包中物品的个数。初始化时，全部染色体的所有基因

都被初始化为1/2，这意味着一个染色体取到所有可能值的概率是相等的。

（2）量子坍塌：对Q(t)中的个体进行一次观测，以获得一组确定的解P(t)={xt1,xt2,…,xtn}。其中，第j个染色体的观测值xtj={xtj1,xtj2,…,xtjm}是一个长度为m的二进制串，其每一位xtji的值观测为0或1是根据相应量子比特的概率选择得到的。具体观测过程为：产生一个0~1之间的随机数r，若||2

（3）修正非法解：采用3.1节所述的修复函数修正不可行编码，使所有的编码都满足背包限制条件，变为可行的编码。

（4）计算适应度：选取适应度函数为背包中物品的总价值。第j个染色体的适应度值fj=∑mi=1pi•xji。式中，pi是背包中第i个物品的价值；xji为第j个染色体的第i位观测值，m为染色体长度，即背包中物品的个数。由于要求背包的最大价值，所以适应度值越大的个体越好。

（5）更新种群：通过量子旋转门，根据(3)式和(4)式更新Q(t)。本文采用一种通用的旋转角调整策略[8]，如式(5)所示：

式中，θi为旋转角；sign为符号函数；xtji和bti分别为解xtj与当前最优解bt的第i位；f(xtj)和f(bt)分别是它们的适应度值；

为种群中第j个染色体的第i个基因对；Δθi为量子比特旋转的角度，其大小可以控制算法的收敛速度，本文中取0.01π。此调整策略可以用通常的表格形式表示，如表1。表中s(αtjiβtji)为量子比特旋转的方向函数。图1是量子旋转门作用于量子比特个体的示意图。例如，当xtji=0，bti=1时，若f(xtj)≤f(bt)，为使当前个体收敛到具有更高适应度的染色体，应该增加当前解对应量子比特取1的概率，即要使|变大，此时，在图1中，若(αtji,βtji)在第1，3象限，θ应向逆时针方向旋转（取正值），若在第2，4象限，θ应向顺时针方向旋转（Δθi取负值）。

为了验证本文提出带修复函数的量子遗传算法在求解背包问题时的有效性，以两个典型的背包问题为例，测试该方法的性能，并与传统遗传算法（CGA）进行比较。

算例1

采用文献[9]中的一个背包问题实例，例子中有50个物品可供选择，具体参数如下：

算法参数：

•带修复函数的量子遗传算法（QGA）：种群大小为10，最大进化代数为500；

•传统遗传算法（CGA）：种群大小为50，最大进化代数为500，交叉概率0.8，变异概率0.05。

用QGA解决此背包问题，可得到如图3的进化过程曲线。用该算法可以求出该问题的最优解决方案，决策变量xi(i=1,2,…,m)为11010101111011011011011111110100001010011000001000，背包的总价值为3B103，总质量为1B000。而用传统遗传算法（种群大小sizepop=50，最大进化代数maxgen=500，交叉和变异概率分别为0.8和0.05）解决该背包问题无法得到全局最优解，运行结果如图4所示。将图3和图4进行比较不难看出，传统遗传算法（CGA）的平均适应度迅速趋向全局最佳适应度，而量子遗传算法（QGA）的平均适应度趋向全局最佳适应度的趋势比较缓慢，由此可以说明，QGA虽然种群较小，但却具有更好的种群多样性。

物品随机产生，物品个数m分别取100、250和500，物品重量wi为1~10之间均匀分布的随机数，物品价值pi=wi+5，背包容量c=12∑mi=1wi。

采用传统遗传算法（CGA）和量子遗传算法（QGA）分别对m＝100、m＝250和m＝500的三种背包问题进行求解，算法参数同算例1，得到每代最佳适应度的比较如图5所示。从图5中可以看出，量子遗传算法的寻优能力明显优于传统遗传算法。

分别用CGA和QGA对上述背包问题进行50次试验，记录下每次运行的最佳适应度值，即背包的最大总价值。50次运行结果的最优值、平均值和最差值如表2所示。

从以上两个例子中可以看出，在求解背包问题时量子遗传算法的寻优能力优于传统遗传算法。而且，从两者的平均适应度曲线的比较可以看出，量子遗传算法虽然种群规模小，但仍能保持种群中个体的多样性，可以避免早熟收敛。而传统遗传算法在进化后期适应度高的个体大量繁殖，充斥整个解空间，这样就容易导致算法停止在局部最优解上。总之，带修复函数的量子遗传算法在求解背包问题时具有优良的性能。