遗传学解题方法范文

关键词：医学遗传学，趣味教学法，调查

中图分类号：G424文献标识码：A

医学遗传学课程结构复杂、内容覆盖面广、跨度大、发展快、与其它学科的交叉渗透广泛，对教师的专业修为要求较高。在一般的医学院校，医学遗传学课程多在大学二、三年级开设，课程的部分基础理论知识学生已在低年级或高中阶段学习过，要求教师课程设计、内容取舍得当。另外，医学遗传学课程内容多而杂，在教学过程中容易出现主线不清晰、体系不严密、层次不分明、学生理不清、重点记不牢等问题，特别是很多内容枯燥乏味，如果教师讲授马虎、呆板、教条、没有生气，那么学生学习困难、味同嚼蜡，甚至个别学生有惰学、厌学、惧学、逃学等问题。因此教师在医学遗传学教学中必须根据教学内容，结合课堂实际，利用趣味教学法，让学生在愉快、欢乐中学习医学遗传学知识，提高学生学习效果。本文根据笔者在医学遗传学教学中的体会，结合近年在大一和大三课程教学中的问卷调查，对医学遗传学趣味教学法作粗浅探讨，以利医学遗传学教学质量的提高。

1医学遗传学课程内容趣味性课前、课后调查

在授课前和授课后，按教材章节顺序，对教材内容的绪论、遗传的分子基础、遗传的细胞基础、人类基因组学与医学、单基因遗传病、多基因遗传病、线粒体遗传病、染色体病、分子病与先天性代谢缺陷病、群体遗传学、肿瘤遗传学、免疫遗传学、药物遗传学、发育遗传学、行为遗传学、表观遗传学、辐射遗传学、遗传病的诊断、遗传病的治疗、遗传病的预防、优生与优育内容进行趣味性调查，结果如图1所示。

调查表明，医学遗传学课程内容在授课前认为有趣的占59.26%，而授课后认为有趣的学生比例达84.78%，说明通过讲授确实提高了学生学习医学遗传学课程的兴趣。其中提高学生兴趣最明显的是绪论部分，课前为45%，课后达93%，提高了一倍多，因为绪论部分教师的课件、教案、讲稿、教学理念、教学设计等方面准备充分，它关系到学生对今后所有医学遗传学课程的听课积极性，因此应该达到这种效果。同时也表明，无论什么课程内容，只要老师精心准备，都会使枯燥的内容生动有趣。从课程结构的课后趣味性分析，遗传学知识运用方面学生认为趣味性最高，达90.4%，人类遗传病和遗传临床理论次之，分别为83.2%和84.2%，而遗传基础理论趣味性最差，为80.5%。

2医学遗传学课程教学方法趣味性调查

针对医学遗传学课程内容，采用不同教学方法调查学生学习趣味性，结果如图2所示，班级小组讨论后学生讲解趣味性最高，占33.3%，班级小组讨论后教师讲解趣味性占23.8%，主讲教师授课讲解趣味性占24%，播放其他教师讲解录像趣味性占10.6%，学生自学趣味性占8.3%。结果表明，采用互动式教学方法最受学生欢迎，占57.1%，而播放其他教学名师的讲解录像学生认为趣味性不高，只比学生自学高2.3%，显示教学名师讲解录像只能作为教学资料使用，无法提高学生学习的积极性。

3医学遗传学课程讲授方法趣味性调查

趣味讲授活跃课堂氛围，激发学生学习医学遗传学的热情，让课堂产生愉悦感，使学生轻松、愉快、爽心地进入学习状态，提高医学遗传学课程学习效果。在医学遗传学课堂讲授中，综合各种趣味性教学技能，采用故事引导、比喻拟人、动画模拟、套用小品、古语今用、寓言俗语、打油诗、热点流行语、漫画卡通画、视频插入、连环提问、故意歪曲、故意夸大、标新立异、滑稽比喻、一语双关、答非所问、诙谐夸张等讲授方法，发挥学生“无意识”心理活动，集中学生注意力、增强学生记忆力，帮助理解、启迪思维、丰富想象，学生可以毫不费力、轻松愉快地学懂知识。

从课程讲授方法的趣味性调查（如图3）看，学生认为漫画卡通画、打油诗、热点流行语、故事、一语双关等趣味性较高，而连环提问、古语今用、故意夸大等趣味性不高。当然，趣味教学在教学中的表现形式多种多样：一是语言趣味，语言趣味的最佳表现是幽默，幽默是教师的课堂口头语言，在导语、插语、结语中有意采用妙语警句、双关语、故错等修辞手段来制造趣味，可收到愉悦谐趣的艺术效果；二是动作趣味，教师在教学中利用趣味化的眼神表情、体态、手势等动作形象，以引起学生的注意或沉思；三是辅助趣味，如辅助教师教学的直观教具模型、标本、挂图、表格等，具有引人发笑的特点。趣味是一种很难界定的心理现象，不同教师使用方法不尽一致，医学遗传学课堂教学中需灵活使用。

4趣味教学法对提高学生能力调查

趣味教学以其独特艺术魅力在学生的愉悦中提高教学艺术效果和水平，体现机智性、娱乐性、教育性，推动学生对知识、信息的追踪和吸收。趣味用诙谐语言、形象化的手法，暗示自己的思想，启发人们思考，产生意味深长的美感。趣味集中学生注意力、增强学生记忆力，帮助理解、启迪思维、丰富想象。趣味可以使学生毫不费力、轻松愉快地学懂知识，潜移默化地开发智力，提高各种能力。

遗传学解题方法范文

关键词：遗传算法；编码机制；遗传算子；适应度函数

1遗传算法的基本原理

遗传算法类似于自然进化，通过作用于染色体上基因寻找最好的染色体来求解问题。与自然界相似，遗传算法对求解问题的本身一无所知，它所需要的仅是对遗传算法所产生的染色体有更多的繁殖机会。在遗传算法中，通过随机方式产生若干个所求解问题的数字编码，即染色体，形成初始种群；通过适应度函数给每个个体一个数值评价，淘汰低适应度的个体，选择高适应度的个体参加遗传操作，经过遗传操作后的个体集合成下一代新的种群，对这个新种群进行下一轮进化。

2遗传算法的应用

遗传算法在应用中最关键的问题有如下3个。

（1）串的编码方式。本质是问题编码。一般把问题的各种参数用二进制编码，构成子串；然后把子串拼接构成“染色体”串。串长度及编码形式对算法收敛影响极大。

（2）适应函数的确定。适应函数（fitnessfunction）也称对象函数（objectfunction），这是问题求解品质的测量函数；往往也称为问题的“环境”。一般可以把问题的模型函数作为对象函数；但有时需要另行构造。

（3）遗传算法自身参数设定。遗传算法自身参数有3个，即群体大小n、交叉概率Pc和变异概率Pm。群体大小n太小时难以求出最优解，太大则增长收敛时间。一般n=30-160。交叉概率Pc太小时难以向前搜索，太大则容易破坏高适应值的结构。一般取Pc=0.25-0.75。变异概率Pm太小时难以产生新的基因结构，太大使遗传算法成了单纯的随机搜索。一般取Pm=0.01-0.2。

遗传算法的主要应用领域在于函数优化（非线性、多模型、多目标等），机器人学（移动机器人路径规划、关节机器人运动轨迹规划、细胞机器人的结构优化等），控制（瓦斯管道控制、防避导弹控制、机器人控制等），规划（生产规划、并行机任务分配等），设计（VLSI布局、通信网络设计、喷气发动机设计等），组合优化（TSP问题、背包问题、图分划问题等），图像处理（模式识别、特征提取、图像恢复等），信号处理（滤波器设计等），人工生命（生命的遗传进化等）。

3遗传算法的研究新动向

3.1基于遗传算法的机器学习

这一新的研究方向把遗传算法从历史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。遗传算法作为一种搜索算法从一开始就与机器学习有着密切联系。分类器系统CS-1是GA的创立Holland教授等实现的第一个基于遗传算法的机器学习系统。分类器系统在很多领域都得到了应用。例如，分类器系统在学习式多机器人路径规划系统中得到了成功应用；Goldberg研究了用分类器系统来学习控制一个煤气管道仿真系统；Wilson研究了一种用于协调可移动式视频摄像机的感知运动的分类器系统等。

3.2遗传算法与其他计算智能方法的相互渗透和结合

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，以达到取长补短的作用。近年来在这方面已经取得了不少研究成果，并形成了“计算智能”的研究领域，这对开拓21世纪中新的智能计算技术具有重要意义。GA的出现使神经网络的训练（包括连接权系数的优化、网络空间结构的优化和网络的学习规划优化）有了一个崭新的面貌，目标函数既不要求连续，也不要求可微，仅要求该问题可计算，而且搜索始终遍及整个解空间，因此容易得到全局最优解。

3.3并行处理的遗传算法

并行处理的遗传算法的研究不仅是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。GA在操作上具有高度的并行性，许多研究人员都在探索在并行机上高效执行GA的策略。研究表明，只要通过保持多个群体和恰当地控制群体间的相互作用来模拟并执行过程，即使不使用并行计算机，我们也能提高算法的执行效率。在并GA的研究方面，一些并GA模型已经被人们在具体的并行机上执行了；并行GA可分为两类：一类是粗粒度并行GA，主要开发群体间的并行性；另一类是细粒GA，主要开发一个群体中的并行性。

3.4遗传算法与人工生命的渗透

人工生命是用计算机、机械等人工媒体模拟或构造出的具有自然生物系统特有行为的人造系统，人工生命与遗传算法有着密切的关系，基于遗传算法的进化模型是研究人工生命现象的重要理论基础。虽然人工生命的研究尚处于启蒙阶段，但遗传算法已在其进化模型、学习模型、行为模型、自组织模型等方面显示出了初步的应用能力，并且必将得到更为深入的应用和发展。人工生命与遗传算法相辅相成，遗传算法为人工生命的研究提供了一个有效的工具，人工生命的研究也必将促进遗传算法的进一步发展。

3.5遗传算法与进化规则及进化策略的结合

遗传算法、进化规则及进化策略是演化计算的3个主要分支，这3种典型的进化算法都以自然界中生物的进化过程为自适应全局优化搜索过程的借鉴对象，所以三者之间有较大的相似性；另一方面，这3种算法又是从不完全相同的角度出发来模拟生物进化过程，分别是依据不同的生物进化背景、不同的生物进化机制而开发出来的，所以三者之间也有一些差异。随着各种进化计算方法之间相互交流深入，以及对各种进化算法机理研究的进展，要严格地区分它们既不可能、也没有必要。在进化计算领域内更重要的工作是生物进化机制，构造性能更加优良、适应面更加广泛的进化算法。

参考文献

[1]张文修，梁怡.遗传算法的教学基础[M].西安：西安交通大学出版社，2000.

[2]余建坤，张文彬，陆玉昌.遗传算法及其应用[J].云南民族学院学报，2002（4）.

[3]蔡自兴，徐光.人工智能及应用[M].北京：清华大学出版社，2003.

[4]蒋腾旭.智能优化算法概述[J].电脑知识与技术，2007（8）.

[5]任庆生，叶中行.遗传算法中常用算子的分析[J].电子学报，2005（5）.

遗传学解题方法范文篇3

关键词：多机调度；遗传算法；模拟退火算法；混合遗传模拟退火算法

作业调度问题是生产管理与控制的一个基本问题。按照加工设备数量和加工作业的流动方式，一般可分为单机调度、并行机调度、Flowshop调度、可重入式调度和Jobshop调度等多种类型。作业调度中的许多问题，不仅具有随机性、约束复杂、规模大及多目标冲突等特点，而且许多都属于NP完全问题，即使在单机情形也是如此。因此，如何寻求有效可行的调度求解方案，一直是生产管理与控制研究的热点和难点。

一、多机调度问题的数学模型

二、算法分析

自Davis首次将遗传算法（GeneticAlgorithms，GA）引入到调度问题的研究中以来，进化算法（包括遗传算法）在制造生产零件和生产调度研究领域获得了广泛的应用，并取得了较好的优化效果。遗传算法用于求解某些并行多机调度问题也有不少的研究成果。遗传算法的优点是：不受搜索空间的限制性假设的约束，不必要求诸如连续性、导数存在和单峰的假设，并且具有内在的并行性，收敛速度快，能够解决非常困难的寻优问题。当然，传统的遗传算法也有许多缺点，其中最为严重的是“过早收敛”问题。所谓“过早收敛”是指在搜索的初期，由于优良个体急剧增加使种群失去多样性，从而造成程序陷入局部，达不到全局最优解的现象。遗传算法的另一个缺陷是“GA欺骗”问题，即在GA的搜索过程中，有可能搜索到最优解然后又发散出去的现象。另外，遗传算法还有参数选择未能定量和不能精确定位最优解等缺陷。

模拟退火算法（SimulatedAnnealing，SA）又称为模拟冷却法、统计冷却法、Monte－Carlo退火法、随机松弛法和概率爬山法等。模拟退火算法是一种新的统计优化方法，其思想最早是由N．Metropolis等人借鉴统计力学中物质退火方法而提出的。1983年Kirkpatrick等人开展了一些富有成效的工作，成功地将该思想引入组合优化理论。模拟退火算法源于对固体退火过程的模拟，采用Meteropolis接受准则，并用一组称为冷却进度表的参数控制算法进程，使算法在多项式时间里给出一个近似最优解。模拟退火算法的主要优点之一就是能以一定的概率接收目标函数值不太好的状态。即算法不但往好的方向走也可向差的方向走；这使得算法即便落入局部最优的陷阱中，理论上经过足够长的时间后也可跳出来从而收敛到全局最优解。模拟退火算法的主要缺点是解的质量与求解时间长短之间的矛盾。为得到一个好的近似最优解，需要进行反复迭代运算，当问题的规模不可避免地增大时，缺乏可行的解决途径。

三、多机调度问题的混合遗传模拟退火算法

从测试结果来看，混合遗传模拟退火算法在搜优率上较遗传算法和模拟退伙算法有了较大的提高。从运算过程中的数据可以看出，由于混合遗传模拟退火算法中邻域的选择、变异发生的概率都取自模拟退火的接受概率，再加上它采取了适应度拉伸系数λ，使得遗传算法的“早熟”现象得到很好的解决。另外本文所采用的混合遗传模拟算法的还具有以下优点：①优化行为的增强。它具有GA算法的优化时间性能和SA算法可以最终趋于全局最优的优点，克服了GA算法“过早收敛”问题和SA算法优化时间性能较差的缺点。②优化效率的提高。它是一种并行而且具有自动保优功能的算法，同时利用GA和SA各自不同的邻域搜索结构相结合，这样使得算法在解空间中的搜索能力所增强，优化效率得到提高。③鲁棒性的提高。它的多点搜索消弱了SA算法对初值的依赖性，同时它还利用GA算法不影响平稳分布的特性，提高了整个算法的鲁棒性。

遗传算法和模拟退火两种算法均属于基于概率分布机制的优化算法。遗传算法是通过概率意义下的“优胜劣汰”思想的群体遗传操作实现优化；模拟退火算法的优化机制是通过赋予搜索过程一种时变和最终趋于零的概率突变性，来避免陷入局部极小而达到全局最优。本文结合这两种算法的优缺点，将模拟退火的思想引入遗传算法，将模拟退火的接受概率应用于种群的选取以及变异操作，并采用适应值拉伸的方法，极大地缓解了遗传算法的选择压力。它不但丰富和优化了整个过程，而且增强了全局和局部意义下的搜索能力和效率。从试验结果可以看出，本文的混合遗传模拟退火算法在解决多机任务调度问题时较单一的遗传算法、模拟退火算法在优化行为与效率上有了很大的提高。

参考文献：

1、许国平，叶效锋，鲍立威.基于模拟退火遗传算法的车辆路径问题研究[J].工业控制计算机.2004.24(3):58-62.

2、黄德才，郭海东，沈良忠.基于JIT的多目标并行多机调度问题的混合遗传算法[J].系统工程理论与实践.2004.24(3):58-62.

3、张婧，杨炳儒.基于混合遗传算法的聚类模式数据挖掘方法[J].微计算机信息，2006，18：219-221.

4、刘志刚，王建华，耿英三，欧阳森.一种改进的遗传模拟退火算法及其应用[J].系统仿真学报.2004.16(5):1099-1101.

5、尹文君，刘民，吴澄.进化计算在生产线调度研究中的现状与展望[J].计算机集成制造系统-CIMS-2001.7(12):1-6.

6、刘民，吴澄.解决并行多机提前/拖后调度问题的混合遗传算法方法[J]自动化学报.2000.26(2):258-262.

7、姚伟力，杨德礼，胡祥培.遗传算法对车间作业调度的研究[J]运筹与管理.1999.8(2):85-88.

8、周明，孙数栋.遗传算法原理及应用.国防工业出版社.1997.

9、行文训，谢金星.现代优化计算方法(第2版).清华大学出版社.2005.09.

10、陈国良，王煦法，庄镇.遗传算法及其应用.人民邮电出版社.2001.02.