神马作文网为什么先天遗传比后天环境更重要总结
来源：学生作业帮 编辑：神马作文网作业帮 分类：生物作业 时间：2024/11/16 21:04:04
为什么先天遗传比后天环境更重要总结
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.
对于一个求函数最大值的优化问题(求函数最小值也类同),一般可以描述为下列数学规划模型:
式中为决策变量,为目标函数式,式2-2、2-3为约束条件,U是基本空间,R是U的子集.满足约束条件的解X称为可行解,集合R表示所有满足约束条件的解所组成的集合,称为可行解集合.
遗传算法的基本运算过程如下:
a)初始化:设置进化代数计数器t=0,设置最大进化代数T,随机生成M个个体作为初始群体P(0).
b)个体评价:计算群体P(t)中各个个体的适应度.
c)选择运算:将选择算子作用于群体.选择的目的是把优化的个体直接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.
d)交叉运算；将交叉算子作用于群体.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.遗传算法中起核心作用的就是交叉算子.
e)变异运算:将变异算子作用于群体.即是对群体中的个体串的某些基因座上的基因值作变动.
群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t 1).
f)终止条件判断:若tT,则以进化过程中所得到的具有最大适应度个体作为最优解输出,终止计算.
遗传是不可逆转的,而后天是可以改变的.所以说遗传比后天更重要.
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.
随着应用领域的扩展,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.
1991年D.Whitey在他的论文中提出了基于领域交叉的交叉算子（Adjacency based crossover）,这个算子是特别针对用序号表示基因的个体的交叉,并将其应用到了TSP问题中,通过实验对其进行了验证.
D.H.Ackley等提出了随即迭代遗传爬山法（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.
H.Bersini和G.Seront将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.
国内也有不少的专家和学者对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
2004年,赵宏立等针对简单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.
对于一个求函数最大值的优化问题(求函数最小值也类同),一般可以描述为下列数学规划模型:
式中为决策变量,为目标函数式,式2-2、2-3为约束条件,U是基本空间,R是U的子集.满足约束条件的解X称为可行解,集合R表示所有满足约束条件的解所组成的集合,称为可行解集合.
遗传算法的基本运算过程如下:
a)初始化:设置进化代数计数器t=0,设置最大进化代数T,随机生成M个个体作为初始群体P(0).
b)个体评价:计算群体P(t)中各个个体的适应度.
c)选择运算:将选择算子作用于群体.选择的目的是把优化的个体直接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.
d)交叉运算；将交叉算子作用于群体.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.遗传算法中起核心作用的就是交叉算子.
e)变异运算:将变异算子作用于群体.即是对群体中的个体串的某些基因座上的基因值作变动.
群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t 1).
f)终止条件判断:若tT,则以进化过程中所得到的具有最大适应度个体作为最优解输出,终止计算.
遗传是不可逆转的,而后天是可以改变的.所以说遗传比后天更重要.
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.
随着应用领域的扩展,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.
1991年D.Whitey在他的论文中提出了基于领域交叉的交叉算子（Adjacency based crossover）,这个算子是特别针对用序号表示基因的个体的交叉,并将其应用到了TSP问题中,通过实验对其进行了验证.
D.H.Ackley等提出了随即迭代遗传爬山法（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.
H.Bersini和G.Seront将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.
国内也有不少的专家和学者对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
2004年,赵宏立等针对简单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.