目录 作者: 倪匡 Ni Kuang 生命的重要特征。生物产生与自己相类似的后代的现象。在遗传 学上，指遗传 物质从上代传给后代的现象。 通过细胞染色体由祖先向后代传递的品质 遗传学 先人所流传下来的 犹留传。《史记·扁鹊仓公列传》：“ 庆 有古先道遗传 黄帝 、 扁鹊 之脉书，五色诊病，知人生死。” 宋 林逋 《伤白积殿丞》诗：“遗传 得谁脩闕下，孤坟应祇客江边。”《二刻拍案惊奇》卷十八：“这迷而不悟，却是为何？只因制造之药，其方未尝不是仙家的遗传 。” 罗家伦 《是爱情还是苦痛》：“他说：‘我听得长辈说，女子总是靠丈夫的。’我好容易收来一点爱情，把他这一句遗传 的话，又吓走了一大半。” 指遗留下来的传闻。 北魏 郦道元 《水经注·易水》：“余按遗传 ，旧跡多在 武阳 ，似不饯此也。” 明 李诩 《戒庵老人漫笔·陈同父＜中兴遗传 ＞》：“自是始欲纂集异闻，为《中兴遗传 》，然犹恨闻见单寡，欲从先生故老详求其事。” 谓生物体的构造和生理机能由上一代传给下一代。 艾思奇 《辩证唯物主义历史唯物主义》第四章：“在自然界中，吸引和排斥，阴电和阳电，化合和分解，遗传 和变异等对立面的互相作用，也同样包含着斗争。”如：任何一种植物的后代与它的亲代总是基本相似的，这种现象叫做遗传 。 谓人的气质、品德、能力等后天的东西受上代的影响而在后代身上体现出来。 洪深 《电影戏剧的编剧方法》第四章：“即以气质而论，决不是一个人遗传 有好的或坏的气质。” 郁达夫 《出奔》：“结婚之后的 董婉珍 ，处处都流露了她的这一种自父祖遗传 下来的小节的伶俐。” 陈学昭 《工作着是美丽的》上卷二四：“在精明能干这一点上，她的三个孩子都得了母亲的优良遗传 。” 遗传 算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传 机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传 算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。
遗传 算法的基本运算过程如下:
遗传 到下一代或通过配对交叉产生新的个体再遗传 到下一代。选择操作是建立在群体中个体的适应度评估基础上的。
遗传 算法中起核心作用的就是交叉算子。
遗传 算法是一类可用于复杂系统优化的具有鲁棒性的搜索算法，与传统的优化算法相比，主要有以下特点：
遗传 算法以决策变量的编码作为运算对象。传统的优化算法往往直接决策变量的实际植本身，而遗传 算法处理决策变量的某种编码形式，使得我们可以借鉴生物学中的染色体和基因的概念，可以模仿自然界生物的遗传 和进化机理，也使得我们能够方便的应用遗传 操作算子。
遗传 算法直接以适应度作为搜索信息，无需导数等其它辅助信息。
遗传 算法使用多个点的搜索信息，具有隐含并行性。
遗传 算法使用概率搜索技术，而非确定性规则。 由于遗传 算法的整体搜索策略和优化搜索方法在计算是不依赖于梯度信息或其它辅助知识，而只需要影响搜索方向的目标函数和相应的适应度函数，所以遗传 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，对问题的种类有很强的鲁棒性，所以广泛应用于许多科学，下面我们将介绍遗传 算法的一些主要应用领域：
遗传 算法的经典应用领域，也是遗传 算法进行性能评价的常用算例，许多人构造出了各种各样复杂形式的测试函数：连续函数和离散函数、凸函数和凹函数、低维函数和高维函数、单峰函数和多峰函数等。对于一些非线性、多模型、多目标的函数优化问题，用其它优化方法较难求解，而遗传 算法可以方便的得到较好的结果。
遗传 算法是寻求这种满意解的最佳工具之一。实践证明，遗传 算法对于组合优化中的NP问题非常有效。例如遗传 算法已经在求解旅行商问题、 背包问题、装箱问题、图形划分问题等方面得到成功的应用。
遗传 编码和机器学习等方面获得了广泛的运用。 进入90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 算法的应用研究显得格外活跃，不但它的应用领域扩大，而且利用遗传 算法进行优化和规则学习的能力也显著提高，同时产业应用方面的研究也在摸索之中。此外一些新的理论和方法在应用研究中亦得到了迅速的发展，这些无疑均给遗传 算法增添了新的活力。遗传 算法的应用研究已从初期的组合优化求解扩展到了许多更新、更工程化的应用方面。
遗传 算法的研究出现了几个引人注目的新动向：一是基于遗传 算法的机器学习，这一新的研究课题把遗传 算法从历来离散的搜索空间的优化搜索算法扩展到具有独特的规则生成功能的崭新的机器学习算法。这一新的学习机制对于解决人工智能中知识获取和知识优化精炼的瓶颈难题带来了希望。二是遗传 算法正日益和神经网络、模糊推理以及混沌理论等其它智能计算方法相互渗透和结合，这对开拓21世纪中新的智能计算技术将具有重要的意义。三是并行处理的遗传 算法的研究十分活跃。这一研究不仅对遗传 算法本身的发展，而且对于新一代智能计算机体系结构的研究都是十分重要的。四是遗传 算法和另一个称为人工生命的崭新研究领域正不断渗透。所谓人工生命即是用计算机模拟自然界丰富多彩的生命现象，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，而遗传 算法在这方面将会发挥一定的作用，五是遗传 算法和进化规划（Evolution Programming,EP）以及进化策略（Evolution Strategy,ES）等进化计算理论日益结合。EP和ES几乎是和遗传 算法同时独立发展起来的，同遗传 算法一样，它们也是模拟自然界生物进化机制的只能计算方法，即同遗传 算法具有相同之处，也有各自的特点。目前，这三者之间的比较研究和彼此结合的探讨正形成热点。
遗传 爬山法（Stochastic Iterated Genetic Hill-climbing，SIGH）采用了一种复杂的概率选举机制，此机制中由m个“投票者”来共同决定新个体的值（m表示群体的大小）。实验结果表明，SIGH与单点交叉、均匀交叉的神经遗传 算法相比，所测试的六个函数中有四个表现出更好的性能，而且总体来讲，SIGH比现存的许多算法在求解速度方面更有竞争力。
遗传 算法与单一方法（simplex method）结合起来，形成了一种叫单一操作的多亲交叉算子（simplex crossover），该算子在根据两个母体以及一个额外的个体产生新个体，事实上他的交叉结果与对三个个体用选举交叉产生的结果一致。同时，文献还将三者交叉算子与点交叉、均匀交叉做了比较，结果表明，三者交叉算子比其余两个有更好的性能。
遗传 算法的交叉算子进行改进。2002年，戴晓明等应用多种群遗传 并行进化的思想，对不同种群基于不同的遗传 策略，如变异概率，不同的变异算子等来搜索变量空间，并利用种群间迁移算子来进行遗传 信息交流，以解决经典遗传 算法的收敛到局部最优值问题
遗传 算法在较大规模组合优化问题上搜索效率不高的现象，提出了一种用基因块编码的并行遗传 算法（Building-block Coded Parallel GA，BCPGA）。该方法以粗粒度并行遗传 算法为基本框架，在染色体群体中识别出可能的基因块，然后用基因块作为新的基因单位对染色体重新编码，产生长度较短的染色体，在用重新编码的染色体群体作为下一轮以相同方式演化的初始群体。
遗传 算法求解TSP问题,探讨了使用弹性策略来维持群体的多样性,使得算法跨过局部收敛的障碍,向全局最优解方向进化。 遗传 算法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。它的思想源于生物遗传 学和适者生存的自然规律，是具有“生存＋检测”的迭代过程的搜索算法。遗传 算法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。其中，选择、交叉和变异构成了遗传 算法的遗传 操作；参数编码、初始群体的设定、适应度函数的设计、遗传 操作设计、控制参数设定五个要素组成了遗传 算法的核心内容。 作为一种新的全局优化搜索算法，遗传 算法以其简单通用、鲁棒性强、适于并行处理以及高效、实用等显著特点，在各个领域得到了广泛应用，取得了良好效果，并逐渐成为重要的智能算法之一。
遗传 算法是基于生物学的，理解或编程都不太难。下面是遗传 算法的一般算法：
遗传 算法用到并行计算和群集环境中。一种方法是直接把每个节点当成一个并行的种群看待。然后有机体根据不同的繁殖方法从一个节点迁移到另一个节点。另一种方法是“农场主/劳工”体系结构，指定一个节点为“农场主”节点，负责选择有机体和分派适应度的值，另外的节点作为“劳工”节点，负责重新组合、变异和适应度函数的评估。 1 GA的流程图
遗传 算法不能直接处理问题空间的参数，必须把它们转换成遗传 空间的由基因按一定结构组成的染色体或个体。这一转换操作就叫做编码，也可以称作(问题的)表示(representation)。
遗传 算法中最常用的编码方法。即是由二进值字符集{0, 1}产生通常的0, 1字符串来表示问题空间的候选解。它具有以下特点:
遗传 算法的适应度函数也叫评价函数，是用来判断群体中的个体的优劣程度的指标，它是根据所求问题的目标函数来进行评估的。
遗传 算法在搜索进化过程中一般不需要其他外部信息，仅用评估函数来评估个体或解的优劣，并作为以后遗传 操作的依据。由于遗传 算法中，适应度函数要比较排序并在此基础上计算选择概率，所以适应度函数的值要取正值.由此可见，在不少场合，将目标函数映射成求最大值形式且函数值非负的适应度函数是必要的。
遗传 算法的性能。
遗传 算法中初始群体中的个体是随机产生的。一般来讲，初始群体的设定可采取如下的策略:
遗传 操作是模拟生物基因遗传 的做法。在遗传 算法中，通过编码组成初始群体后，遗传 操作的任务就是对群体的个体按照它们对环境适应度(适应度评估)施加一定的操作，从而实现优胜劣汰的进化过程。从优化搜索的角度而言，遗传 操作可使问题的解，一代又一代地优化，并逼进最优解。
遗传 操作包括以下三个基本遗传 算子(genetic operator):选择(selection)；交叉(crossover)；变异(mutation)。这三个遗传 算子有如下特点:
遗传 算子的操作都是在随机扰动情况下进行的。因此，群体中个体向最优解迁移的规则是随机的。需要强调的是，这种随机化操作和传统的随机搜索方法是有区别的。遗传 操作进行的高效有向的搜索而不是如一般随机搜索方法所进行的无向搜索。
遗传 操作的效果和上述三个遗传 算子所取的操作概率，编码方法，群体大小，初始群体以及适应度函数的设定密切相关。
遗传 到下一代或通过配对交叉产生新的个体再遗传 到下一代。选择操作是建立在群体中个体的适应度评估基础上的，目前常用的选择算子有以下几种:适应度比例方法、随机遍历抽样法、局部选择法、局部选择法。
遗传 基因的重组(加上变异)。同样，遗传 算法中起核心作用的是遗传 操作的交叉算子。所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。通过交叉，遗传 算法的搜索能力得以飞跃提高。
遗传 算法导引入变异的目的有两个:一是使遗传 算法具有局部的随机搜索能力。当遗传 算法通过交叉算子已接近最优解邻域时，利用变异算子的这种局部随机搜索能力可以加速向最优解收敛。显然，此种情况下的变异概率应取较小值，否则接近最优解的积木块会因变异而遭到破坏。二是使遗传 算法可维持群体多样性，以防止出现未成熟收敛现象。此时收敛概率应取较大值。
遗传 算法中，交叉算子因其全局搜索能力而作为主要算子，变异算子因其局部搜索能力而作为辅助算子。遗传 算法通过交叉和变异这对相互配合又相互竞争的操作而使其具备兼顾全局和局部的均衡搜索能力。所谓相互配合.是指当群体在进化中陷于搜索空间中某个超平面而仅靠交叉不能摆脱时，通过变异操作可有助于这种摆脱。所谓相互竞争，是指当通过交叉已形成所期望的积木块时，变异操作有可能破坏这些积木块。如何有效地配合使用交叉和变异操作，是目前遗传 算法的一个重要研究内容。
遗传 算法作为一种快捷、简便、容错性强的算法，在各类结构对象的优化过程中显示出明显的优势。与传统的搜索方法相比，遗传 算法具有如下特点：
遗传 算法可直接对结构对象（集合、序列、矩阵、树、图、链和表）进行操作。
由于遗传 算法是由进化论和遗传 学机理而产生的搜索算法，所以在这个算法中会用到很多生物遗传 学知识，下面是我们将会用来的一些术语说明：
1.《计算机教育》第10期 作者：王利
遗传 算法——理论、应用与软件实现 王小平、曹立明著
生物在繁殖过程中产生与自己相类似的后代的现象，即俗话说的“种瓜得瓜，种豆得豆”。生物传递给后代的并非具体性状，而是遗传 信息（基因）。遗传 信息蕴藏在遗传 物质（即脱氧核糖核酸，简称DNA；或核糖核酸，简称RNA）中。因此从本质上说，遗传 是指遗传 物质从上代传给后代的现象。如父亲是色盲，女儿却可以是色觉正常者，但她却从其父处得到了色盲基因，并可传给她的儿子，使其子出现色盲。因此，若从性状来看，父亲患色盲而女儿没有，但从遗传 信息来看，则是代代相传，从父传到女儿，再由女儿传到外孙。因此可以说色盲是遗传 的。但是，生物界没有绝对相同的两个个全，即使是孪生同胞也不例外。亲代性状在子代中只是保持相对稳定性。后代与亲代绝不会完全相同。子代与亲代之间，子代各个体之间性状上的差异称变异即俗话说的“一母生九子，九子各别”。变异有遗传 的和不遗传 的。前者是指由于遗传 物质的改变，如基因突变和染色体畸变等引起的，后者则是环境影响的结果。遗传 和变异是生物普遍存在的现象，是生命活动的基本特征之一。随阗生物生理学和生物化学的新理论和新技术的应用，人们对遗传 和变异的认识，已由宏观到微观，从整体、细胞水平到分子水平。人们对遗传 信息的复制、传递、表达、调控和变化等深入的理解，对动植物育种实践、人类遗传 病的诊断防治以及人类种族延续、健康等均有重大意义。 yichuan
遗传
遗传 。遗传 是研究遗传 信息的传递及表达的规律。
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 生物学 高科技 百科辞典 百科大全 记忆 人脑 生理 人体 手指 表皮纹线 手术 健康 家庭 词汇 有性生殖 细胞生物学 细胞分裂 生殖 分子生物学 转录 生物化学 更多结果...