遗传学热点问题篇1

［关键词］初中生物；课堂导入；激发作用

［中图分类号］G633．91［文献标识码］A［文章编号］1674－6058（2015）35－0113

“良好的开端等于成功的一半”，导入是课堂教学的重要环节，教师要重视导入的重要激发作用。好的导入能够在瞬间点燃学生的学习热情，有效渲染课堂学习气氛，启发学生的学习思维。初中生物有其自身的学科特征，教师设计问题导入、利用实验导入、联系生活导入等，都能够起到重要的激发作用。

一、问题导入

初中生思维活跃，对新事物、新现象有着浓厚的探知兴趣。为此，教师应在课始给出启发性问题，并把学习任务融入问题中，引导学生对问题进行探究。这样，学生的学习思维将被激活，教学也将呈现自主性、多元化和高效性。在进行问题导入时，问题设计要适度，注意给出一定的思维切入点，使学生开动脑筋就能够实现介入。一旦出现思维瓶颈问题，教师还要及时给出引导和点拨，帮助学生顺利抵达学习彼岸。例如，在学习《生物的无性生殖》的相关内容时，教师可这样设计问题导入：大家都知道这一诗句“春种一粒粟，秋收万颗籽”，它要表达什么意思呢？学生们议论纷纷，通过讨论得出结论：表示生物繁殖和发育的现象。教师继续提出问题：生物的生命形式多样，其生物习性和结构也不尽相同，请举例说明。学生踊跃回答。教师根据学生回答的情况提出思考问题：这些生物繁殖的例子都属于有性生殖，如果不进行受精作用，能不能产出下一代呢？这样，教师从古诗名句开始引导，通过串联问题衔接学生思维，形成连贯的思维链条，逐渐向学习内容方向贴近。学生的学习兴趣被激发起来，为课堂教学的顺利开展做好了准备。

二、实验导入

生物是一门实践操作性较强的学科。在课堂教学中，教师应对教学内容进行深度解析，通过多种形式的实验演示进行课堂导入，以激发学生参与课堂教学活动的兴趣。教师组织实验需要特定的实验室条件，很多实验需要采集众多的生物标本素材，这一些给实验的具体实施带来了一定的难度；而利用多媒体则可以对实验进行视频演示，对实验操作过程进行步骤分解，还可以模拟实验操作，取得较好的教学效果。例如，在学习《两栖类的生殖与发育》时，教师先利用多媒体展示几幅图片，让学生观察几种两栖动物，然后通过视频播放青蛙生殖发育全过程的实验展示：雌性青蛙产出的卵子和雄性青蛙产出的形成受精卵（也就是青蛙胚胎），这些受精卵在适合水温中逐渐成形，演绎成幼蛙，幼蛙带有尾巴，然后逐渐退去，长出四肢，最后成为成蛙。这样借助多媒体进行实验导入，使学生对青蛙繁殖的过程有了清晰的了解，也为课堂学习做好充分的知识储备。青蛙从受精卵到成蛙，整个过程比较复杂，也需要太长的时间，要进行实际的实验操作是不太现实的，而利用多媒体进行实验展示，能给学生带来最直观的感知体验，学生看得清晰、听得明白，对相关认知掌握更到位。因此，教师要充分利用多媒体进行生物实验演示，让学生形成直观感知，为实际参与实验做好前期铺垫。

三、生活导入

遗传学热点问题篇2

关键词：网络负载平衡；遗传模拟退火

中图分类号：TP311文献标识码：A文章编号：1009-3044(2008)17-21415-03

网络负载平衡是分布式作业调度系统的一种实现。在并行分布计算中，负载平衡牵涉到把一个问题分成一系列能够并行处理的小任务，并且把每一个任务分配到合适的计算资源上，这样的计算资源有可能是一个处理机，也有可能是一台计算机。当作业量不断增加的时候，就有可能出现有的处理器或计算机因系统负担过重而导致性能下降或者死机，而有的处理器则因空闲而浪费资源。网络负载平衡研究的目标就是如何研究一些可以将负载平衡地分配给网络内的各个处理器（计算机）的策略方法，使得整个问题的处理时间减短，而计算资源的利用率得到最大化的利用。

1负载平衡问题的数学模型[1]

负载平衡问题的数学模型可以描述为：假设系统由M台处理计算机组成，依次标记为p0,p1,…,pM-1，处理机之间通过线路进行连接，为了便于评测系统的平衡性，用每台处理机所拥有的数据数来表示其负载，记为w[i]，整个系统的总负载可表示为w=∑w(i)，其中0≤N-1，系统的平均负载为w*=W/N。

2遗传模拟退火算法

遗传算法和模拟退火算法是较为常用的两种智能优化算法，而且各有优缺点，将这两种算法有机地结合在一起，应用于网络负载平衡问题的解决，会取得更好的结果。

2.1遗传算法

遗传算法使用群体搜索技术，它通过对当前群体施加选择、交叉、变异等一系列遗传操作，从而产生出新一代的群体，并逐步使群体进化到包含或接近最优解的状态。由于其具有思想简单、易于实现、应用效果明显等优点而被众多应用领域所接收，并在自适应控制、组合优化、模式识别、机器学习、人工生命、管理决策等领域得到了广泛的应用。遗传算法给我们呈现出的是一种通用的算法框架，该框架不依赖于问题的种类。遗传算法是一类具有较强鲁棒性的优化算法，特别是对于一些大型、复杂非线性系统，它更表现出了比其他传统优化方法更加独特和优越的性能。隐含并行性和全局搜索特性是遗传算法的两大显著特征。

2.2模拟退火算法

模拟算法是基于MenteCarlo迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。

在金属热加工工艺中，退火是指将金属材料加热到某一高温状态，然后让其慢慢冷却下来这样一个金属热处理过程。从统计热力学的观点来说，随着温度的降低，物质的能量将逐渐走近于一个较低的状态，并最终达到某种平衡。

模拟退火算法就是基于金属退火的机理而建立起的一种全局最优化方法，它能够以随机搜索技术从概率的意义上找出目标函数的全局最小点。

2.3遗传算法与模拟退火算法的结合

遗传算法由于其运算简单和解决问题的有效能力而被广泛应用到众多的领域。理论上已经证明，遗传算法能从概率的意义上以随机的方式寻求到问题的最优解。但另一方面，应用实践表明，在遗传算法的应用中也会出现一些不尽人意的问题，比如收敛较慢且易陷入局部极值点。另外，遗传算法也无法避免多次搜索同一个可行解，这也是影响遗传算法运行效率的一个因素。

另一方面，梯度法、爬山法、模拟退火算法、列表寻优法等一些优化算法却具有很强的局部搜索能力，而另一些含有问题与相关知识的启发式算法的运行效率也比较高。比如模拟退火算法对具有较强的局部搜索能力，并能使搜索过程避免陷入局部最优解。可以预计，在遗传算法的搜索过程中整合这些优化方法的思想、构成一种混合遗传算法(HybridGeneticAlgorithm)是提高遗传算法运行效率和求解质量的一个有效手段。

遗传模拟退火算法的结构如图1所示：

遗传模拟退火算法可以理解为在遗传算法中引入模拟退火算法的思想，这有效地缓解了遗传算法的选择压力，并对基因操作产生的新个体实施概率接受版图，不但增强了算法的全局收敛性，而且使算法在优化后期有较强的爬山能力，加快了进化后期的收敛速度。另一方面，遗传模拟退火算法以遗传算法控制寻优的方向，发挥搜索速度快的特点；而用模拟退火算法解决局部收敛的问题，以提高搜索精度。充分发挥了遗传算法的快速全局搜索性能和模拟退火算法的局部搜索能力，因此具有较高的效率和广泛的适用性。

2.4遗传模拟退火算法的基本步骤

简单地说，遗传模拟退火算法的特点在于利用模拟退火算法克服遗传算法的早熟问题，利用遗传算法克服模拟退火算法对初值的依赖性。以下是该算法的一种基本结：

(1)给定群体规模n,k:=0；初始温度tk:=t0，群体pop(k)；

(2)若满足停止规则，则停止计算；否则，在群体pop(k)中每一个染色体i∈pop(k)的领域中随机选一状态j∈N(i)，按模拟退火中的接受概率Aij(tk)：(1)

接受或拒绝j，其中f(i)为状态i的目标值，其中f(j)为状态j的目标值，这一阶段n次迭代选出新群体newpop1(k+1)。

(3)在群体newpop1(k+1)中计算适应函数fi(tk)：

(2)

其中fmax是newpop1(k+1)中的最大适应值；按由适应函数决定的概率分布从newpop1(k+1)中随机选n个染色体形成种群newpop1(k+1)。

(4)按遗传算法的常规方法进行交叉得到crosspop1(k+1)；再变异得到mutpop1(k+1)。

(5)Tk+1=d(tk)，k=K+1，pop(k)=mutpop1(k+1)，返回第二步。

在遗传模拟退火算法中，在第二步的群体选择时随机搜索了每一个体的领域，选择的范围比单纯的遗传算法要大，实际上是用所有个体的领域取代遗传算法中的，而且采用Metropolis准则由式(1)所确定的概率选取，这是模拟退火的一个显著特征。式(2)是一个加速适应值尺度变换函数，在温度较高时加速性不明显，当温度较低时加速性非常显著，是根据退火的第二个特征。第四步中的交叉和变异操作与一般遗传算法中的处理方法一致。

3应用实例

在这一小节中，我们将用一个实际的例子来说明遗传模拟退火算法在网络负载平衡中的应用。

假定我们在一个拥有4台服务器的网络中对16个任务进行网络负载平衡的规划，并且这16个任务各自独立，相互之间没有依存关系，同时这16个任务完成所需要的时间各不相同。

设定实例的任务编号，所需时间如表1所示。

3.1编码

利用遗传算法求解优化问题时，先要将实际问题转换成由基因按一定结构组成的染色体或个体，这一转换操作我们称之为编码。编码的方式比较灵活，在这里，我们设定一个三元组为个体的基因：(I,m,n)，其中，i为任务的编号，m为完成任务所需的时间，n为网络中该任务被分配到的服务器(处理机)编号。例如(1,2,3)表示编号为1的任务所需的完成时间是2个单位时间长度，它被分配到了3号服务器(处理机)上。于是，仿真实验中，一个染色体就可以表示为｛(i,m,n)1≤i≤16,0

3.2初始群体的产生

为了满足遗传算法的群体型操作的需要，必须为遗传操作准备一个若干初始解组成的初始群体。我们设定初始群体规模为20，给定的16个任务编号为1至16，任务完成所需要的时间已知，即三元组(i,m,n)中i和m已经确定。在1至4中随机选择一个数字分配给16个三元组，组成一个染色体，即：｛(1,5,1),(2,6,2)(3,8,2)…｝，共随机产生出20条染色体，生成群体。

3.3适应度函数

遗传算法使用目标函数即适应度函数来评估个体或解的优劣，并作为以后遗传操作的依据。对适应度函数的唯一要求是，针对输入可计算出能加以比较的非负结果。由于是研究负载平衡问题，故利用方差和作为适应度函数。具体如下：

设所有任务完成的时间和为T，服务器的个数为，则理想状态下每台服务器的平均负载为w*=T/n。对于每一个染色体来说，每一个处理器上的任务总完成时间w与w*的差越小越好，故适应度函数为，F的值越小，则染色体的适应度越好。

3.4模拟退火操作

遗传模拟退火算法中的模拟退火操作主要是在个体选择阶段，在这一阶段中，由于遗传算法只选择适应度最好的，而对适应度较低的染色体选择的机率很小，所以容易出现过早收敛的问题，故引入模拟退火算法，使适应度较小的染色体同样有机会被选中，从而跳出局部最优，有利于寻找到全局最优解。我们取初始温度t0为50度，降温系数为0.95。

3.5实例结果及对比

以假定任务为基础，利用VC++编写仿真程序，分析利用普通遗传算法和模拟退火算法进行运算，在初始群体规模、交叉概率、变异概率及遗传代数相同的情况下，得到如下运算结果，

由实验结果可以得出，遗传模拟退火算法比普通的优化算法具有更好的寻求最优解的性能，在相同的条件下，寻找到最优解的概率更大。

4结论

遗传模拟退火算法是遗传算法和模拟退火算法相结合的一种优化算法。遗传算法的并行处理和快速收敛的特点和模拟退火跳出局部最优的能力得以保存，两种不同的领域结构有机结合，搜索效率更高。

本文首次将遗传模拟退火算法应用于网络负载平衡，给出了该算法的结构与运算过程，并通过一个实例证明了其在网络负载平衡方面的有效性，为进一步利用智能化算法解决网络负载平衡问题打下了基础。

参考文献：

[1]彭国震,邱毓兰,彭德纯.若干随机型负载平衡算法[J].计算机工程,27(2):22-23.

[2]林凡,杨晨晖.一种动态网络负载平衡集群的实践方法[J].厦门大学学报(自然科学版).42(4):534-535.

遗传学热点问题篇3

关键词：玉米；育种；问题

中图分类号：S513文献标识码：ADOI：10.11974/nyyjs.20151032010

随着我国现代玉米育种技术的不断发展，提高玉米育种效率是育种学家们关注的话题。但是，我们也应该正视，在玉米育种中存在着一些问题，本文主要对这些问题进行了分析，并提出了几点解决策略。

1我国玉米育种中存在的问题

1.1育种单位复杂给传统农业科研人员带来冲击

玉米是我们国家重要的粮食作物之一，他在农业生产和工业加工中占据了重要的地位，每年都需要大量的玉米种。随着现代市场经济的不断发展，一些大专院校、科研单位、私人企业、外国企业等等主体都投入到了玉米种子行业中来，玉米的育种机构也变得复杂多样起来。从客观的角度来说，育种单位复杂对于农业生产是有益处的，但是从另一方面来说，复杂的育种单位给传统的农业科研人员造成了巨大冲击，给传统的农业科研人员带来了极大的挑战，如何在这样的市场竞争中发挥优势，实现玉米种子资源的优化组合，是传统农业科研人员应该思考的课题。

1.2普通的玉米育种占据主体

虽然玉米在我国的农业中占据重要地位，但目前的玉米功能主要以饲用为主，因此市场上的玉米育种主要考虑也是普通的饲用玉米育种，这将不利于我国的玉米育种研究。当然，这还主要因为我国的专特用玉米还处于初级阶段，还需要不断地进行探究。

1.3玉米种子质量资源欠丰富

玉米的种质资源历来受到了广大研究者的关注，因为玉米种质资源对于玉米的育种意义重大。在玉米育种技术不断提高的今天，人们对于玉米的种质资源也提出了更高的要求，目前一些种质资源已经逐步被淘汰，渐渐地促进了玉米育种资源的狭窄性。此外，我国对于玉米种质资源的研究还比较落后，主要表现在：对玉米现有的种质资源的研究还不够深入，对于哪些是抗病的、抗涝的，是否对微量元素有敏感性的都不太清楚；对于玉米种质资源的创新意识不强，育种者满足于收集整理育种资源，直接或者间接利用育种资源，没有对育种资源进行创新；玉米育种的引进渠道不流畅，由于政策及主观意识因素，对于玉米种质的引进较少；玉米育种的研究经费不足，每年的育种投资经费比较少，地方也没有配套资金，因此制约了育种工作的开展。

2我国玉米育种存在问题的应对对策

2.1要丰富玉米育种的材料

玉米育种材料是否丰富，关系到玉米杂交育种的质量如何。在目前的玉米杂种优势得到凸显的今天，玉米育种的潜力得到了提高。针对我国在玉米育种上存在着过于依赖外来品种，育种方法简单单一的问题，因此要挖掘当地育种种质资源的潜力，有效整理和研究当代的品种资源，做好种质的自交系遗传系谱和遗传配合力的分析，做好遗传类群的评价，从而为选择好杂交系种做好铺垫。此外，要做好玉米综合群体的改良工作，在玉米育种材料中加强创新，促进遗传变异、配合力、多抗性的遗传基础得到有效拓展，进而提供优良的玉米育种基因源。

2.2有效引进国外的玉米种质

我国的地大物博，气候以热带、亚热带和温带气候为主，在我国的玉米育种资源的开发过程中，可以积极引进国外的热带亚热带优质种质资源，并将它们与我国的实际气候进行研究之后，充分利用国外的优质种质，可以提高育种效率。热带和亚热带种质资源在植株、果穗、籽粒等形状都有丰富的遗传变异，形成了独特的和宗旨资源，可以在我国的种质资源中有效利用起来。当然，引进热带亚热带的玉米种质将其利用起来，也可以拓宽我国的种质资源。热带亚热带的种质资源的利用途径有直接利用和间接利用两种。直接利用是指对于热带亚热带的适应性进行改良，再通过100%的热带血缘自交系进行混合，让其更好地适应温带的气候条件；而间接利用方法是指通过对热带亚热带种质资源进行几代随机，打破其温带基因连锁，再对其进行改良的选育方法。当然，为了实现更好地利用热带亚热带种质，我们要做好温带杂种关系的研究工作，从而创新杂优模式。

2.3积极驯化野生玉米

野生玉米通过在残酷的自然界竞争中形成，它们具有一定的优良特征，如抗逆性、抗病虫害能力较强，将野生玉米的这些优异基因运用到玉米种质中来，可以拓宽种质资源，提高玉米育种的效率，推进玉米育种的进程发展。大量的实践表明，野生玉米作为一个优质基因宝库，可以结合远缘杂交法对种质资源进行创新，这也是玉米育种工作中的重要途径之一。

2.4加强生物技术育种方法的运用

生物技术在目前的玉米育种中占据着重要的地位，生物技术运用了生物工程原理生产生物制品和创新物品，在玉米育种中主要表现为分子标记技术和转基因技术。分子标记技术。分子标记技术具有很多优点：能够将种质资源的优质的农艺形状基因进行鉴定，还能够在不良的种质资源中找到优良基因并加以利用，因此能够拓展种质资源，提高育种的基础；能够准确地标记目标基因，因而能够提高玉米育种的效率；能够鉴定出玉米物种之间的亲缘关系，促进了玉米种质资源的创新，促进了远缘杂交的有效运用；转基因技术是将原来玉米种内没有的抗性基因导入其中，这一基因重组实现了玉米育种水平的提高。随着玉米育种技术的创新，转基因技术在玉米育种中得到了有效的运用，特别对于拓展玉米种质资源，提高杂交种的抗逆性、抗病性和产量等方面有着独特的优势。总之，在对玉米育种的过程中，运用分子生物技术进行育种，改变了传统一次对应一次病害的现状，可以将多个抗性基因有效结合再起来，还可以运用分子标记技术有效准确地鉴定出多抗性的基因类型，因而是对环境安全的生物技术育种方式，这是玉米育种方法的历史性变革。我们相信，传统的遗传育种与现代生物育种技术结合起来，充分挖掘了玉米基因库中的现有遗传资源，为我国玉米育种事业提供了优良品质的玉米新品种，促进了玉米事业的发展。

参考文献

[1]李竞雄.玉米育种研究进展[M]科学出版社，1992.

[2]曾三省.中国玉米杂交种的种质基础[J]中国农业科学，1990.

遗传学热点问题篇4

关键词：遗传算法；物化视图；代价模型；交叉算子

中图分类号：TP18文献标识码：A文章编号：1009-3044（2016）03-0203-04

1背景

数据仓库[1]是面向主题的、非易失的、能够反映历史变化的、集成的数据集合。近年来，数据仓库广泛应用于各行各业，并且数据量迅猛增长，查询响应所需时间也越来越长，查询优化成为数据仓库中的一个研究热点。查询优化主要包含索引优化和物化视图技术。

物化视图选择问题是数据仓库领域的研究热点之一。斯坦福大学的Harinarayan[2]在1996年最早提出物化视图选择问题，此后贪婪算法BPUS（BenefitPerUnitSpace）成了经典的物化视图选择算法。该算法基于多维数据格，所得结果与最优解的收益比不低于0.63。ShuklaA在1998年提出了PBS（PickBySize）算法[3]，解决了贪婪算法在维度很高的情况下计算最大收益效率过低、计算量大的缺点。GIA（GreedyInterchangeAlgorithm）算法是斯坦福大学的Gupta提出的[4]，它基于AND-OR图。1997年J.Yang等人最先提出用遗传算法解决物化视图选择问题[5]，根据多视图处理计划（MultipleViewProcessingPlan，MVPP），通过合并可以“共享”的公共子视图得到最好的多视图处理计划，然后从多视图处理计划里选取视图物化。随后利用遗传算法解决物化视图选取问题成为热点研究问题[6]。类似地，Kirkpatrick[7]提出了基于模拟退火算法的视图选择算法，模拟退火算法是一种基于MonteCarlo迭代求解法的启发式随机搜索算法，常常用于多维数的物化视图选取问题中。但是，基于模拟算法的视图选择效果依赖于正确的参数选择，好的参数选择往往需要进行多次实际测试。

静态物化视图选择算法如上所述，另有动态物化视图选择算法。动态算法在查询过程中动态的对物化视图进行增删改操作，以满足尽可能多的查询需求，主要包括包括DynaMat算法、Chunk算法和Cache算法。

十几年以来，人们对物化视图选择问题进行了大量而深入的研究，在这方面的研究也比较活跃的有国内的国防科技大学、复旦大学以及香港科技大学等。国内的学者也提出了许多物化视图选择算法的改进算法。王宜贵建立了代价估算模型，以物化视图的存储代价和查询的时间开销作为衡量标准，改进了基于遗传算法的物化视图优化算法[8]。王自强、孙霞提出增强遗传算法[9]。赵秀丽提出蚁群算法[10]，采取对信息素的全局和局部更新，并局部搜索每次迭代的最优解。龚安提出蚁群-遗传算法[11]，利用遗传算法的较强全局搜索能力优化蚁群算法每次的搜索结果，并且在进行信息素更新时同时考虑最差路径和最优路径上的信息素，改进后的算法最优解的收敛速度提高了，解决了存在于蚁群算法中的“早熟”停滞现象。徐海涛提出了一种混合算法，混合算法结合了模拟退火算法和遗传算法的优点[12]，解决物化视图的选择效果很好。

数据仓库中的物化视图选择影响查询效率和OLAP分析质量，目前基于遗传算法的物化视图选择问题已成为重要的研究热点问题。

2遗传算法

遗传算法基于达尔文的“自然选择，适者生存”原理，是一种模拟生物演化过程的搜索最优解算法[13]。遗传算法主要包括三个重要操作，即选择、和变异，从任意一个代表问题可能潜在的解集的初始种群出发，经过不断逐代演化最终进化到最适应环境的群体。遗传算法的主要几个步骤如下所述。

1）二进制编码。多维视图格模型中，一个视图格对应一个n位的基因编码，n是视图格的总节点个数。某一位的编码是0，那么该位对应的节点不必物化；若编码是1，该位对应的节点需要物化。比如视图格包含节点v1，v2…v8，如果基因编码为11000001，那么应该选择节点v1，v2，v8进行物化。

2）适应度函数。适应度一般是物化视图的收益值。定义如下适应度函数：

3）随机生成初始种群。初始化N个染色体。

4）各种遗传算法算子。选择算子设定为2个染色体中适应度较大者用于繁殖下一代。交叉算子设定为交换二进制编码交叉点之前的二进制位，交叉点后面的二进制位保持不变。变异算子操作是二进制编码的某一位或者某几位以一定概率取反。例如染色体11010100和染色体11101010，交叉操作在第4位得到11100100与11011010，变异操作在第2位则为10010100与10101010。

遗传算法的流程图如下图：

遗传算法的求解能力很强，并且它和最优解的收益比非常高，有着迅速的全局搜索能力，这优于蚁群算法的局部搜索能力强，遗传算法搜索结果也优于贪心算法等启发式算法。然而不当的遗传算子会导致遗传算法收敛速度很慢，而且随机性特点使得算法收敛慢，对算法的性能造成影响。

经典的GA算法在演化初期选择压力（最佳个体选中的概率与平均选中概率的比值）大，选中适应度高的个体，这些个体会控制演化过程，进而得出局部最优解，造成群体收敛早熟。在演化后期群体适应度值的差异较小，对应选择压力减小，收敛速度也降低很多。

针对上面描述的问题，本文提出了基于遗传算法的改进物化视图选择算法，我们通过新的代价模型、修改进化算子，用预处理算法生成初始解来对经典GA进行优化。

遗传学热点问题篇5

关键词：离散变量；结构优化；遗传算法；混合遗传算法

在实际的工程结构设计中，由于规范和设计、施工、模数、型材等原因，大多设计变量都是离散的，离散变量的结构优化设计属于组合优化NP完全类问题。其求解属于NP困难问题，传统优化方法一般得到的是局部最优解。因此，研究遗传算法在离散变量结构优化中的应用将具有重要的理论和现实意义。遗传算法[1]是美国J.H.Holland教授于20世纪70年代提出的一种非确定性优化方法，其在解决各类结构优化设计问题方面显示了极大的潜在优势。由于解决不同非线性问题的鲁棒性、全局最优性及不依赖于问题模型的特性、不需要梯度信息及函数的连续性[2～4]、对目标函数及约束条件也没有苛刻要求，这种算法正引起人们研究及应用的热潮[5]。近年来，在此方面的研究取得了相当的进展。但另一方面，应用实践表明，在遗传算法的应用中也会出现一些不尽人意的问题，这些问题主要表现为它容易产生早熟现象、局部寻优能力差、结构重分析次数过多等。本文对遗传算法采取了一些改进措施，并引入了进退搜索算法与遗传算法相结合，取得了令人满意的结果。

1离散变量结构优化的数学模型

2遗传算法

遗传算法包含了4个基本要素：①参数编码；②初始群体设定；③适应度函数的设计；④遗传操作设计（选择、交叉和变异是遗传算法的3个主要操作算子，它们构成了遗传操作）。这4个要素构成了遗传算法的核心内容。

3混合遗传算法的实现

（1）设置最优个体保存站。在算法进化初期的选择操作中使用比例选择算子，而在指定代数后引入最优个体保存策略，设置最优个体保存站，专门用来存放每次迭代后种群中的最优个体，但并不把最优个体排除在交叉和变异操作之外。这样既保持了进化初期个体的多样性，避免了算法收敛于局部最优解，又提高了算法后期的收敛速度。

（2）引入删除算子。对交叉变异后适应度降低的个体进行删除，并以其父代个体代替，防止个体的退化。

4算例

如图1所示为11杆平面桁架结构。各杆件均为单根热轧等边角钢，各杆件可供选择的截面型号有16个，截面积的取值为{113.2，143.2，145.9，174.9，185.9，235.9，265.9，297.1，308.6，334.3，338.2，497.8，507.6，736.7，791.2，1086.0}mm2。材料的弹性模量E=200GPa，材料的许用应力为[σ]=160MPa，线位移最大允许值[δ]=10mm；材料密度ρ=7.8g/cm3，此桁架承受三种工况荷载：①P1=50kNP2=20kNP3=20kN；②P1=50kNP2=20kNP3=-20kN；③P1=50kNP2=0kNP3=0kN

11杆桁架结构优化结果如表1。

6结论

本文针对遗传算法在离散变量结构优化中的缺陷，对遗传算法进行了若干改进，将遗传算法与进退搜索算法相结合，提出了一种混合遗传算法。通过对一个11杆桁架结构的优化设计表明：各种算法的优化结果均能满足应力和位移等约束条件，强度、刚度等多方面均达到设计要求；混合遗传算法改善了遗传算法中存在的不足，提高了局部搜索能力和收敛速度，同时又发挥了遗传算法全局性好的特点；混合遗传算法是一种有效、高效的理想优化方法，可以直接用于离散变量桁架结构的优化设计。

参考文献：

[1]刘勇，康立山，陈毓屏.非数值并行算法―遗传算法[M].北京：科学出版社，1997.

[2]KwonYD，KnowSB，JinSB，etal.Convergenceenhancedgeneticalgorithmwithsuccessivezoomingmethodforsolvingcontinuousoptimizationproblem[J].ComputerandStructures，2003，81（1）：1715-1725.

[3]张延年，朱朝艳，董锦坤，等.采用混合遗传算法的建筑结构优化设计[J].辽宁工程技术大学学报，2006，25（5）：708-710.

遗传学热点问题篇6

本节课以自主探究伴性遗传的特点来学习科学研究方法为设计理念，切实落实“教师为主导，学生为主体”的教学模式，提高学生的探究能力，训练学生的科学思维。

2.教材分析

2．1知识目标

（1）概述伴性遗传的特点

（2）运用资料分析的方法，总结人类红绿色盲症的遗传规律

能力目标：（1）培养学生运用知识的能力；（2）培养学生观察、分析、探究、思考问题的能力。

情感态度和价值观：（1）用科学原理去分析实际问题；（2）用辨证唯物主义观点看问题；（3）体验合作学习。

2．2教学重点和难点

（1）教学重点：伴性遗传的特点

（2）教学难点：分析人类红绿色盲症的遗传

2．3课前准备：教师准备多媒体课件

3.教学过程

3．1情景创设

教师：展示人类抗维生素D佝偻病患儿图片，介绍患者症状，据调查这种病患者女性多于男性。

学生：男生高兴，女生惊讶。

教师：展示红绿色盲检查图让学生辨认、识图。

学生：辨认、识图，说出图上是什么。（学生均能辨认出来）

教师：为什么体检时要检查红绿色盲，这种病有什么危害？（简单介绍）。据调查这种病患者男性多于女性。

学生：女生高兴，男生惊讶。

设计思想：通过让学生观察图片和识图以及介绍相关调查结果，展示生活现象激发学生的兴趣和求知欲，引出伴性遗传的概念。

教师：为什么这两种病的遗传总是和性别相关联，但表现又不相同？

3．2新课

教师：控制这两种病的基因位于性染色体上，遗传总是与性别相关联，这种现象叫伴性遗传。

教师：指导学生阅读教材了解红绿色盲症的发现过程，学生之间互相讨论，总结从道尔顿发现红绿色盲的过程中获得启示。

设计思想：通过红绿色盲的发现过程，激发学生的兴趣，提高探究热情，同时通过讨论了解道尔顿不放弃身边小事，认真研究和分析的科学态度及献身科学，尊重科学的精神让学生从兴奋的激情状态回归到理性思考状态。教师：多媒体展示色盲家系图，提出问题让学生思考。

（1）家系图中患者是什么性别？说明色盲遗传与什么有关？（2）Ⅰ1是色盲，他将色盲基因传给了Ⅱ代的几号？（3）Ⅰ1是否将色盲基因传给了Ⅱ2？这说明色盲基因位于X染色体上还是Y染色体上？（4）色盲基因是显性基因还是隐形基因？为什么？（5）为什么Ⅱ3和Ⅱ5没有表现出色盲症？（6）从图中看出，只有男性才表现为红绿色盲，对吗？有没有其他情况？女性会不会患病？

学生：根据问题分析系谱图然后在小组内展开讨论，交流，完成探究活动。

教师：展示人的正常色觉和红绿色盲的基因型和表现型表格，让学生填写。

学生：填写表格。

教师：从表中分析，为什么红绿色盲的患者男性多于女性？

学生：讨论后得出结论。

设计思想：通过问题串引导学生探究，使问题简单化，降低了难度，增强了学生的自信心，问题层层递进，面向了全体学生，能充分发挥学生的主体地位，突破难点，通过讨论，培养学生合作学习的精神。

教师：根据表中的基因型和表现型，让学生分析人类红绿色盲的婚配方式有哪几种？分别写出遗传图解，引导学生分析色盲基因的传递规律，总结红绿色盲遗传的特点。

学生：亲自动手画出几种婚配方式的遗传图解，然后分析讨论，得出伴X隐形遗传病的遗传特点。

设计思想：通过学生亲自动手写遗传图解，培养学生的动手能力，分析遗传图解，培养学生分析问题的能力和逻辑思维能力以及归纳总结的能力。

教师：人类抗维生素D佝偻病是一种伴X显性遗传病，其遗传特点又是什么呢？

学生：写出遗传图解总结。

3.3师生总结

伴X隐形遗传病的遗传特点：交叉遗传，男性患者多于女性患者；母患子必患，女患父必患。

伴X显性遗传病的遗传特点：交叉遗传，女性患者多于男性患者；父患女必患，子患母必患。

3.4评价反馈

（1）下列关于性染色体的叙述，正确的是（）

A．性染色体上的基因都可以控制性别

B．性别受性染色体控制而与基因无关

C．女儿的性染色体必有一条来自父亲

D．性染色体只存在于生殖细胞

（2）血友病属于隐性伴性遗传病。某人患血友病，他的岳父表现正常，岳母患血友病，对他的子女表现型的预测应当是（）

A．儿子、女儿全部正常

B．儿子患病，女儿正常

C．儿子正常，女儿患病

D．儿子和女儿中都有可能出现患病

（3）某红绿色盲男孩的父母色觉均正常，他的舅父是色盲，该男孩的色盲基因的来源（）

A．祖父父亲男孩

B．祖母父亲男孩

C．外祖父母亲男孩

D．外祖母母亲男孩

答案：（1）C（2）D（3）D

3.5课堂小结

师生共同总结本节的知识点，让学生理清脉络。