目錄 作者: 倪匡 Ni Kuang 生命的重要特徵。生物産生與自己相類似的後代的現象。在遺傳 學上，指遺傳 物質從上代傳給後代的現象。 通過細胞染色體由祖先嚮後代傳遞的品質 遺傳學 先人所流傳下來的 猶留傳。《史記·扁鵲倉公列傳》：“ 慶 有古先道遺傳 黃帝 、 扁鵲 之脈書，五色診病，知人生死。” 宋 林逋 《傷白積殿丞》詩：“遺傳 得誰脩闕下，孤墳應祇客江邊。”《二刻拍案驚奇》捲十八：“這迷而不悟，卻是為何？衹因製造之藥，其方未嘗不是仙傢的遺傳 。” 羅傢倫 《是愛情還是苦痛》：“他說：‘我聽得長輩說，女子總是靠丈夫的。’我好容易收來一點愛情，把他這一句遺傳 的話，又嚇走了一大半。” 指遺留下來的傳聞。 北魏 酈道元 《水經註·易水》：“餘按遺傳 ，舊跡多在 武陽 ，似不餞此也。” 明 李詡 《戒庵老人漫筆·陳同父＜中興遺傳 ＞》：“自是始欲纂集異聞，為《中興遺傳 》，然猶恨聞見單寡，欲從先生故老詳求其事。” 謂生物體的構造和生理機能由上一代傳給下一代。 艾思奇 《辯證唯物主義歷史唯物主義》第四章：“在自然界中，吸引和排斥，陰電和陽電，化合和分解，遺傳 和變異等對立面的互相作用，也同樣包含着鬥爭。”如：任何一種植物的後代與它的親代總是基本相似的，這種現象叫做遺傳 。 謂人的氣質、品德、能力等後天的東西受上代的影響而在後代身上體現出來。 洪深 《電影戲劇的編劇方法》第四章：“即以氣質而論，决不是一個人遺傳 有好的或壞的氣質。” 鬱達夫 《出奔》：“結婚之後的 董婉珍 ，處處都流露了她的這一種自父祖遺傳 下來的小節的伶俐。” 陳學昭 《工作着是美麗的》上捲二四：“在精明能幹這一點上，她的三個孩子都得了母親的優良遺傳 。” 遺傳 算法（Genetic Algorithm）是一類藉鑒生物界的進化規律（適者生存，優勝劣汰遺傳 機製）演化而來的隨機化搜索方法。它是由美國的J.Holland教授1975年首先提出，其主要特點是直接對結構對象進行操作，不存在求導和函數連續性的限定；具有內在的隱並行性和更好的全局尋優能力；采用概率化的尋優方法，能自動獲取和指導優化的搜索空間，自適應地調整搜索方向，不需要確定的規則。遺傳 算法的這些性質，已被人們廣泛地應用於組合優化、機器學習、信號處理、自適應控製和人工生命等領域。它是現代有關智能計算中的關鍵技術。
遺傳 算法的基本運算過程如下:
遺傳 到下一代或通過配對交叉産生新的個體再遺傳 到下一代。選擇操作是建立在群體中個體的適應度評估基礎上的。
遺傳 算法中起核心作用的就是交叉算子。
遺傳 算法是一類可用於復雜係統優化的具有魯棒性的搜索算法，與傳統的優化算法相比，主要有以下特點：
遺傳 算法以决策變量的編碼作為運算對象。傳統的優化算法往往直接决策變量的實際植本身，而遺傳 算法處理决策變量的某種編碼形式，使得我們可以藉鑒生物學中的染色體和基因的概念，可以模仿自然界生物的遺傳 和進化機理，也使得我們能夠方便的應用遺傳 操作算子。
遺傳 算法直接以適應度作為搜索信息，無需導數等其它輔助信息。
遺傳 算法使用多個點的搜索信息，具有隱含並行性。
遺傳 算法使用概率搜索技術，而非確定性規則。 由於遺傳 算法的整體搜索策略和優化搜索方法在計算是不依賴於梯度信息或其它輔助知識，而衹需要影響搜索方向的目標函數和相應的適應度函數，所以遺傳 算法提供了一種求解復雜係統問題的通用框架，它不依賴於問題的具體領域，對問題的種類有很強的魯棒性，所以廣泛應用於許多科學，下面我們將介紹遺傳 算法的一些主要應用領域：
遺傳 算法的經典應用領域，也是遺傳 算法進行性能評價的常用算例，許多人構造出了各種各樣復雜形式的測試函數：連續函數和離散函數、凸函數和凹函數、低維函數和高維函數、單峰函數和多峰函數等。對於一些非綫性、多模型、多目標的函數優化問題，用其它優化方法較難求解，而遺傳 算法可以方便的得到較好的結果。
遺傳 算法是尋求這種滿意解的最佳工具之一。實踐證明，遺傳 算法對於組合優化中的NP問題非常有效。例如遺傳 算法已經在求解旅行商問題、 背包問題、裝箱問題、圖形劃分問題等方面得到成功的應用。
遺傳 編碼和機器學習等方面獲得了廣泛的運用。 進入90年代，遺傳 算法迎來了興盛發展時期，無論是理論研究還是應用研究都成了十分熱門的課題。尤其是遺傳 算法的應用研究顯得格外活躍，不但它的應用領域擴大，而且利用遺傳 算法進行優化和規則學習的能力也顯著提高，同時産業應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用研究中亦得到了迅速的發展，這些無疑均給遺傳 算法增添了新的活力。遺傳 算法的應用研究已從初期的組合優化求解擴展到了許多更新、更工程化的應用方面。
遺傳 算法的研究出現了幾個引人註目的新動嚮：一是基於遺傳 算法的機器學習，這一新的研究課題把遺傳 算法從歷來離散的搜索空間的優化搜索算法擴展到具有獨特的規則生成功能的嶄新的機器學習算法。這一新的學習機製對於解决人工智能中知識獲取和知識優化精煉的瓶頸難題帶來了希望。二是遺傳 算法正日益和神經網絡、模糊推理以及混沌理論等其它智能計算方法相互滲透和結合，這對開拓21世紀中新的智能計算技術將具有重要的意義。三是並行處理的遺傳 算法的研究十分活躍。這一研究不僅對遺傳 算法本身的發展，而且對於新一代智能計算機體係結構的研究都是十分重要的。四是遺傳 算法和另一個稱為人工生命的嶄新研究領域正不斷滲透。所謂人工生命即是用計算機模擬自然界豐富多彩的生命現象，其中生物的自適應、進化和免疫等現象是人工生命的重要研究對象，而遺傳 算法在這方面將會發揮一定的作用，五是遺傳 算法和進化規劃（Evolution Programming,EP）以及進化策略（Evolution Strategy,ES）等進化計算理論日益結合。EP和ES幾乎是和遺傳 算法同時獨立發展起來的，同遺傳 算法一樣，它們也是模擬自然界生物進化機製的衹能計算方法，即同遺傳 算法具有相同之處，也有各自的特點。目前，這三者之間的比較研究和彼此結合的探討正形成熱點。
遺傳 爬山法（Stochastic Iterated Genetic Hill-climbing，SIGH）采用了一種復雜的概率選舉機製，此機製中由m個“投票者”來共同决定新個體的值（m表示群體的大小）。實驗結果表明，SIGH與單點交叉、均勻交叉的神經遺傳 算法相比，所測試的六個函數中有四個表現出更好的性能，而且總體來講，SIGH比現存的許多算法在求解速度方面更有競爭力。
遺傳 算法與單一方法（simplex method）結合起來，形成了一種叫單一操作的多親交叉算子（simplex crossover），該算子在根據兩個母體以及一個額外的個體産生新個體，事實上他的交叉結果與對三個個體用選舉交叉産生的結果一致。同時，文獻還將三者交叉算子與點交叉、均勻交叉做了比較，結果表明，三者交叉算子比其餘兩個有更好的性能。
遺傳 算法的交叉算子進行改進。2002年，戴曉明等應用多種群遺傳 並行進化的思想，對不同種群基於不同的遺傳 策略，如變異概率，不同的變異算子等來搜索變量空間，並利用種群間遷移算子來進行遺傳 信息交流，以解决經典遺傳 算法的收斂到局部最優值問題
遺傳 算法在較大規模組合優化問題上搜索效率不高的現象，提出了一種用基因塊編碼的並行遺傳 算法（Building-block Coded Parallel GA，BCPGA）。該方法以粗粒度並行遺傳 算法為基本框架，在染色體群體中識別出可能的基因塊，然後用基因塊作為新的基因單位對染色體重新編碼，産生長度較短的染色體，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。
遺傳 算法求解TSP問題,探討了使用彈性策略來維持群體的多樣性,使得算法跨過局部收斂的障礙,嚮全局最優解方向進化。 遺傳 算法是模擬達爾文的遺傳 選擇和自然淘汰的生物進化過程的計算模型。它的思想源於生物遺傳 學和適者生存的自然規律，是具有“生存＋檢測”的迭代過程的搜索算法。遺傳 算法以一種群體中的所有個體為對象，並利用隨機化技術指導對一個被編碼的參數空間進行高效搜索。其中，選擇、交叉和變異構成了遺傳 算法的遺傳 操作；參數編碼、初始群體的設定、適應度函數的設計、遺傳 操作設計、控製參數設定五個要素組成了遺傳 算法的核心內容。 作為一種新的全局優化搜索算法，遺傳 算法以其簡單通用、魯棒性強、適於並行處理以及高效、實用等顯著特點，在各個領域得到了廣泛應用，取得了良好效果，並逐漸成為重要的智能算法之一。
遺傳 算法是基於生物學的，理解或編程都不太難。下面是遺傳 算法的一般算法：
遺傳 算法用到並行計算和群集環境中。一種方法是直接把每個節點當成一個並行的種群看待。然後有機體根據不同的繁殖方法從一個節點遷移到另一個節點。另一種方法是“農場主/勞工”體係結構，指定一個節點為“農場主”節點，負責選擇有機體和分派適應度的值，另外的節點作為“勞工”節點，負責重新組合、變異和適應度函數的評估。 1 GA的流程圖
遺傳 算法不能直接處理問題空間的參數，必須把它們轉換成遺傳 空間的由基因按一定結構組成的染色體或個體。這一轉換操作就叫做編碼，也可以稱作(問題的)表示(representation)。
遺傳 算法中最常用的編碼方法。即是由二進值字符集{0, 1}産生通常的0, 1字符串來表示問題空間的候選解。它具有以下特點:
遺傳 算法的適應度函數也叫評價函數，是用來判斷群體中的個體的優劣程度的指標，它是根據所求問題的目標函數來進行評估的。
遺傳 算法在搜索進化過程中一般不需要其他外部信息，僅用評估函數來評估個體或解的優劣，並作為以後遺傳 操作的依據。由於遺傳 算法中，適應度函數要比較排序並在此基礎上計算選擇概率，所以適應度函數的值要取正值.由此可見，在不少場合，將目標函數映射成求最大值形式且函數值非負的適應度函數是必要的。
遺傳 算法的性能。
遺傳 算法中初始群體中的個體是隨機産生的。一般來講，初始群體的設定可采取如下的策略:
遺傳 操作是模擬生物基因遺傳 的做法。在遺傳 算法中，通過編碼組成初始群體後，遺傳 操作的任務就是對群體的個體按照它們對環境適應度(適應度評估)施加一定的操作，從而實現優勝劣汰的進化過程。從優化搜索的角度而言，遺傳 操作可使問題的解，一代又一代地優化，並逼進最優解。
遺傳 操作包括以下三個基本遺傳 算子(genetic operator):選擇(selection)；交叉(crossover)；變異(mutation)。這三個遺傳 算子有如下特點:
遺傳 算子的操作都是在隨機擾動情況下進行的。因此，群體中個體嚮最優解遷移的規則是隨機的。需要強調的是，這種隨機化操作和傳統的隨機搜索方法是有區別的。遺傳 操作進行的高效有嚮的搜索而不是如一般隨機搜索方法所進行的無嚮搜索。
遺傳 操作的效果和上述三個遺傳 算子所取的操作概率，編碼方法，群體大小，初始群體以及適應度函數的設定密切相關。
遺傳 到下一代或通過配對交叉産生新的個體再遺傳 到下一代。選擇操作是建立在群體中個體的適應度評估基礎上的，目前常用的選擇算子有以下幾種:適應度比例方法、隨機遍歷抽樣法、局部選擇法、局部選擇法。
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父代個體的部分結構加以替換重組而生成新個體的操作。通過交叉，遺傳 算法的搜索能力得以飛躍提高。
遺傳 算法導引入變異的目的有兩個:一是使遺傳 算法具有局部的隨機搜索能力。當遺傳 算法通過交叉算子已接近最優解鄰域時，利用變異算子的這種局部隨機搜索能力可以加速嚮最優解收斂。顯然，此種情況下的變異概率應取較小值，否則接近最優解的積木塊會因變異而遭到破壞。二是使遺傳 算法可維持群體多樣性，以防止出現未成熟收斂現象。此時收斂概率應取較大值。
遺傳 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 算法通過交叉和變異這對相互配合又相互競爭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.是指當群體在進化中陷於搜索空間中某個超平面而僅靠交叉不能擺脫時，通過變異操作可有助於這種擺脫。所謂相互競爭，是指當通過交叉已形成所期望的積木塊時，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 算法的一個重要研究內容。
遺傳 算法作為一種快捷、簡便、容錯性強的算法，在各類結構對象的優化過程中顯示出明顯的優勢。與傳統的搜索方法相比，遺傳 算法具有如下特點：
遺傳 算法可直接對結構對象（集合、序列、矩陣、樹、圖、鏈和表）進行操作。
由於遺傳 算法是由進化論和遺傳 學機理而産生的搜索算法，所以在這個算法中會用到很多生物遺傳 學知識，下面是我們將會用來的一些術語說明：
1.《計算機教育》第10期 作者：王利
遺傳 算法——理論、應用與軟件實現 王小平、曹立明著
生物在繁殖過程中産生與自己相類似的後代的現象，即俗話說的“種瓜得瓜，種豆得豆”。生物傳遞給後代的並非具體性狀，而是遺傳 信息（基因）。遺傳 信息藴藏在遺傳 物質（即脫氧核糖核酸，簡稱DNA；或核糖核酸，簡稱RNA）中。因此從本質上說，遺傳 是指遺傳 物質從上代傳給後代的現象。如父親是色盲，女兒卻可以是色覺正常者，但她卻從其父處得到了色盲基因，並可傳給她的兒子，使其子出現色盲。因此，若從性狀來看，父親患色盲而女兒沒有，但從遺傳 信息來看，則是代代相傳，從父傳到女兒，再由女兒傳到外孫。因此可以說色盲是遺傳 的。但是，生物界沒有絶對相同的兩個個全，即使是孿生同胞也不例外。親代性狀在子代中衹是保持相對穩定性。後代與親代絶不會完全相同。子代與親代之間，子代各個體之間性狀上的差異稱變異即俗話說的“一母生九子，九子各別”。變異有遺傳 的和不遺傳 的。前者是指由於遺傳 物質的改變，如基因突變和染色體畸變等引起的，後者則是環境影響的結果。遺傳 和變異是生物普遍存在的現象，是生命活動的基本特徵之一。隨闐生物生理學和生物化學的新理論和新技術的應用，人們對遺傳 和變異的認識，已由宏觀到微觀，從整體、細胞水平到分子水平。人們對遺傳 信息的復製、傳遞、表達、調控和變化等深入的理解，對動植物育種實踐、人類遺傳 病的診斷防治以及人類種族延續、健康等均有重大意義。 yichuan
遺傳
遺傳 。遺傳 是研究遺傳 信息的傳遞及表達的規律。
n.: code, codon, descent, inheritance, transmission, in the blood, in sb.'s blood, Mendel's Law, heredity, hereditary, passing on of physical or mental characteristics from parents to children v.: inherit, transmit adj.: mendelian vt.: propagate vi.: descend n. hérédité 生物 生物學 高科技 百科辭典 百科大全 記憶 人腦 生理 人體 手指 表皮紋綫 手術 健康 家庭 詞彙 有性生殖 細胞生物學 細胞分裂 生殖 分子生物學 轉錄 生物化學 更多結果...