关键词：遗传算法优化水质模型参数估值
遗传算法(SGA)应用于环境科学领域的研究主要集中在对各种非线性水质模型的参数估计［1］、水质及水污染非线性规划的求解［2］等，但简单的遗传算法在求解中存在不少问题［3］，尤其对类似水质非线性规划等复杂的多变量优化问题则效率并不高，有时并不收敛或者出现“早熟现象”［4］，故提出一种综合性遗传算法(MAGA)。
1遗传算法和综合遗传算法
在利用遗传算法求解问题时，问题的每个可能的解都被编码成一个“染色体”，即若干个体构成了群体(所有可能解)。算法开始时总是随机地产生一些个体(即初始解)，根据预定的目标函数对每个个体进行评价后得出一个适应度值；基于此适应度值选择个体用来复制下一代，选择操作体现了“适者”生存的原理，“好”的个体被复制，“坏”的则被淘汰；然后选择出来的个体经交叉和变异进行再组合生成新一代，这一群新个体由于继承了上一代的一些优良性状，因而在性能上要优于上一代，这样逐步朝着更优解方向进化5］。基本流程见图1。
尽管传统遗传算法可以找到全局最优，但在求解许多实际问题时其收敛速度还不尽人意，且操作参数的选取对结果影响巨大，故许多学者对简单的遗传算法进行了改进［6、7］，在此提出一种效率较高的综合遗传算法。
①选择操作的改进
利用基于马尔科夫链的定量的数学证明认为，简单的遗传算法不是全局收敛的，而带有最优个体保留的遗传算法则是全局收敛的［6］，故在选择操作中采用杰出个体保护策略。
根据目标函数值决定将被复制的数字串，设种群中有N个个体，将这N个个体解码得N个适应性函数值fi(i=1，2，3，…，N)，按下述步骤复制：
a.令P=随机数×∑fi
则复制第k个数字串。
将N个个体f值先按从大到小的顺序排列，复制出N/2个个体到匹配池中等待交叉操作，将选出的N/2个个体进行交叉操作后放回到匹配池中，顶替排在后面的N/2个个体(即将排在后面的N/2个个体清除掉)。对匹配池中的N个个体重新按大到小的顺序排列，采用杰出个体保护策略，即将父代中最优个体放回到匹配池中顶替重新排列后的最后一个个体以保持种群中优秀个体的存在。
②适应值函数调整
在遗传进化初期，通常会出现一些超常的个体，为避免“早熟现象”，应将适应函数值进行适当调整以降低选择强度，在此采用PaulL.Stoffa提出的模拟退火法对适应值函数进行拉伸［7］：
式中fi——第i个个体适合度
N——种群个体总数
g——遗传代数序号
T——温度
T0——初始温度
从式(1)、(2)可以看出，在温度高时(即进化前期)，适合度相近的个体产生后代的概率相近，而当温度不断下降后，拉伸作用加强使得适合度相近的个体适合度差异放大，从而使优秀的个体优势更明显。
③交叉操作的改进
以单点交叉、两点交叉和交叉位置的非等概率选取相结合作为交叉操作。当染色体位串长度较短时，可采用整串的两点交叉操作；而当染色体位串长度较长时，特别是子串位数较多时可采用各个子串分别进行单点交叉操作，并引进交叉位置的非等概率选取。
④自适应调整Pc和Pm
在简单遗传算法中，交换概率Pc和变异概率Pm一般取为恒定值，在进行复杂多变量优化问题时，效率并不高，主要是因为Pc越大个体被破坏的可能性就会增加，使得具有高适应值的个体结构很快被破坏，Pc过小会使搜索缓慢而停滞不前；Pm过大遗传算法就变成了纯粹的随机搜索算法，Pm过小又不易产生新的个体，因此如何选择Pc和Pm是保证算法成功的关键。
有学者提出Pc和Pm随适应度值自动改变的方法。对于高于平均适应值的解，令Pc和Pm取值小一些，使解受破坏的可能性小，而对低于平均适应值的解，令Pc和Pm取值大一些以防止遗传算法陷入局部解。因此按参考文献［8］提出的方法进行调整：
式中Pc1=0.9，Pc2=0.7，Pm1=0.01，Pm2=0.001。
⑤变量区间优化(动态变量编码)
一般来说，自变量参数(即所求未知参数)的范围越小搜索的速度就越快，也就更加容易确定最优解。设新求出的优化变量值为x′，将-｜x′｜以及｜x′｜值作为下一次x求解的取值区间的上下限，重新进行计算。
⑥终止条件的选择
经典的方法是固定遗传代数，到达后即终止，本文采用改进的方法，即根据连续几代个体平均适合度不变(其差小于某个极小的阈值)作为终止的条件。
2实例验证
利用文献［9］中水质模型的参数估值一实例来比较综合遗传算法与简单遗传算法优化性能的不同。
某河流各断面溶解氧实测值如表1所示。
表1某河流各断面溶解氧实测值项目断面(j)1234x(km)8283656t(h)2.07.09.014Cj(mg/L)8.57.06.17.2
水质参数为：饱和溶解氧浓度Cs=10mg/L，初始段面浓度C0=Cs，初始断面BOD浓度L0=20mg/L，流速u=4km/h要求估计BOD衰减系数K1、大气复氧系数K2，使得下式的优化准则函数取得极小值：
为运用综合遗传算法，参数设定如下［7］：
串长L=20；
种群个数N=50；
初始温度T0=50℃；
简单遗传算法Pc=0.6，Pm=0.003；
综合遗传算法Pc1=0.8，Pc2=0.5，Pm1=0.005，Pm2=0.001。
文献［9］计算结果为Fmin=0.49，K1=0.056h-1，K2=0.2095h-1，本题将适应值函数的平均值不再变化作为算法的收敛判据。两种算法的计算结果见表2，收敛率与遗传代数的关系曲线见图2。
表2SGA、SGA-1、MAGA法计算结果计算次数3030303030303030遗传代数510152025303540收敛次数SGA366912101518SGA-1613151822241821MAGA318242730303030注：SGA-1为带最优个体保护的SGA。
由图2可见，经过25次迭代MAGA的收敛率达到100%，而SGA仅为40%，可见综合遗传算法既发挥了最优个体保护的优势，又克服了异常个体充斥群体的弊端，同时还进行了交换变异概率的自适应调整，收敛效率要高得多。另外为验证综合遗传算法的准确性，还与文献［6］中梯度法的计算结果进行了对比(见表3)。
表3计算结果对比项目梯度法SGA算法MAGA算法K1(h-1)0.05600.05300.0560K2(h-1)0.20950.20850.2096
从表3看出MAGA算法的精度非常高。
3结论
综合性遗传算法在交叉、变异、适应值函数等方面都对简单遗传算法的相关操作进行了改进，具有精度更高、收敛更快的特点。在水环境模型参数估值的应用实例中，其优势得到了验证。
参考文献：
［1］席裕赓.遗传算法综述［J］.控制理论与应用，1996，13(6):697-708.
［2］金菊良，杨晓华.非线性环境模型优化的一种数值方法［J］.环境科学进展，1997，12(增刊):108-112.
［3］DewdneyKA.Exploringthefieldofgeneticalgorithmsinprimordialcomputerseafullofflibs［J］.ScientificAmerican，1985，253(5):21-32.
［4］樊会元，王尚锦.遗传算法引入进化方向算子的一个改进及应用［J］.西安交通大学学报，1999，33(5):45-48.
［5］王慧，刘宝坤.一种改进的遗传算法及应用［J］.天津理工学院学报，1998，14(4):62-66.
［6］段玉倩，贺家李.遗传算法及其改进［J］.电力系统及其自动化学报，1998，10(1):39-51.
［7］丁承民，张传生，等.遗传算法纵横谈［J］.信息与控制，1997，26(1):40-48.
1排课问题描述
目前高校排课问题具有以下特征：每学期一个班级要上多门课程，每个班级上课的教室不固定，一门课程由一个或多个教师教授，一个教师可以上一门或多门课程。每门课程根据学时总数决定每周授课的次数和每次授课的节数。
为了描述方便，将每次授课涉及的元素（课程，班级列表，教师，周学时）称作课元，将一周内可供授课的时间划分为时间片，最小的时间片为一节课，将（时间片，教室）组成的有序对称为时空片。对同一个教室的时空片，若其时间片连续，则将这组时空片称为时空片簇。所以排课的任务就是要为所有的课元安排合理的时空片簇。求解排课问题就是要在满足全部硬约束条件的情况下，为所有课元按照每门课程课时总数的要求，为其分配互不相交的时空片簇，从而获得问题的可行解，即一张满意的课表。
一个解如果满足所有约束条件，则此解为最优解，但实际上并不是所有的约束都能得到满足，因此为了表示解的满意程度，引入以下两个函数。将所有约束条件依次编号为1，2，…，z，并根据这些条件的重要程度为其赋予相应的权重wi≥0（1≤i≤s）。设解为t，定义函数f（i，t）=w1x1+w2x2+…+wsxs表示课元i在可行解t中的满意度。其中xj（1≤j≤s）表示在解t中对课元i的安排是否违反了第j个约束条件，若违反xj=0，否则xj=1。设课元集合为C，定义函数O（t）=∑i€Cf（i，t）为可行解t的满意度。对于多个可行解，如果某个解的满意度最高，则这个解就是要求解的最优解。所以取maxO（t）作为目标函数。使用启发式算法求解，就是求取尽可能使O（t）达到较大值的可行解t。
2应用混合遗传算法求解排课问题
2.1遗传算法
遗传算法（GeneticAlgorithm，GA）是模拟自然选择和遗传的一种随机搜索算法。该算法的最初目的是研究自然系统的自适应行为，由密执安大学的JohnHolland提出。遗传算法是一种迭代算法，它模拟自然的遗传和进化，最初随机生成一组解，然后在这组解的基础上进行多次迭代，每次迭代时通过遗传和进化操作产生一组新的解，使用目标函数对生成的每个解进行评价。这一过程不断重复，直至达到某种形式上的收敛。新的一组解不但可以有选择地保留一些目标函数值高的旧解，而且可以包括一些与其它解相结合而得到的新解。在遗传算法的设计过程中，其关键在于编码和遗传操作的设计。
2.2直接启发式算法
直接启发式算法，通常是根据各课元的约束条件赋予课元不同的优先权，然后按优先权次序来依次给各课元安排满足约束条件的时空片簇，如此反复，直到得到整张课表。直接启发式算法通常要涉及如下两个策略：优先权策略和最佳分配策略。
（1）优先权策略
为确定课元的优先权，可采用课元属性的线性组合来确定。课元具有很多属性，如：授课教师，授课班级，授课类型，周学时等。为每个属性分配权重，然后采用这些属性的线性组合来确定每个课元的优先权。由于课元的优先权值越大，说明课元的约束越多，可供选择的符合条件的时空片簇就越少，所以应该优先满足优先权大的课元。所谓优先权策略就是按照课元的优先权值由大到小，给课元安排时空片簇。
（2）最佳分配策略
设C是课元集合，TP是时空片集合。在任一时刻，设Csub为已经安排了时空片簇的课元子集，设TP（Csub）为Csub所占用的时空片集合，称为TP（Csub）系统在此时刻的格局。目标格局（即可行解）是所有课元均己被安排了时空片簇的格局。在满足约束条件的情况下，称剩余课元中如果尚有可合法安排的非目标格局为活格局，否则称为死格局。在某活格局TP（Csub）下，对于课元i（i∈C-Csub），称TP（Csub）中每一个能合法安排下i的空闲时空片簇为课元i的可行时空片簇。最佳分配策略就是通过计算可行时空片对课元i的满意度，挑选满意度最高的时空片分配给课元i。
2.3混合遗传算法
遗传算法、直接启发式算法有其各自的优点和不足。二者结合却能取长补短、相得益彰。对于初始种群，通常是采用随机生成的方法获得，这样可以避免早熟想象。但是这种随机初始种群有可能适应度较差，需要进化很多代才能得到全局近优解，也即收敛速度过慢。采用将直接启发式算法获得的解加入随机初始种群，提高初始种群的适应度，从而克服遗传算法收敛速度慢的问题。
（1）编码
应用遗传算法求解问题首先要进行编码，编码也是遗传算法中的关键步骤。个体的染色体排列形式外，个体从搜索空间的基因型变换到解空间的表现型时的解码方法，都取决于编码方法。同时，编码方法还会影响交叉算子、变异算子等遗传算子的运算方法，并决定了如何进行群体的遗传进化运算以及遗传进化运算的效率。目前主要有三大类编码方法，分别是二进制编码方法、浮点数编码方法、符号编码方法。
排课问题涉及多个参数，可以考虑使用多参数级联编码方法，但鉴于产生的编码较复杂且不便于后期的选择变异操作，因此，将排课问题的多个参数进行简化，将多个参数简化为上述的课元和时空片。排课问题简化为将课元合理分配到时空片的问题。设一周有n个时间片，用T（1≤i≤n）表示，设有m个教室，用P（1≤j≤m）表示，则共有n×m个时空片，用TP（1≤i≤n，1≤j≤m）表示对应的时空片中分配的课元，若TP=0表示该时空片未被占用。可以采用二维时空数组来表示排课问题的个体染色体，如表1。设需安排的课程数为小于1024门，则一个数组元素的长度可用8位表示，则一个染色体的编码长度为8×n×m位。
（2）解码
为了从染色体个体推出问题的解，需要设计三个数组，分别是课元信息表（课程编号班级编号教师编号），课程信息表（课程编号上课周数周次数时间片1时间片2时间片3时间片4）。通过染色体个体很容易获得课程信息表，再使用课元信息表，很容易获得班级课程安排表和教师课程安排表。
（3）适应度函数
群体中各个个体在优化计算中有可能达到或接近最优解或有助于找到最优解的优良程度使用适应度函数来度量。适应度较低的个体遗传到下一代的概率相对较小，适应度较高的个体遗传到下一代的概率相对较大。而适应度函数是通过目标函数获得的。
排课问题的目标函数是maxO（t），其中O（t）即为所需的适应度函数，即可行解t的满意程度。要计算个体的适应度，首先将个体的染色体编码转换为课程安排表，通过课程安排表和教师意愿表（教师编号课程编号教师意愿）可以很容易确定各种软约束是否被满足，从而计算出可行解t的不满意程度。
（4）选择
选择运算确定从父代群体中选取哪些个体遗传到下一代群体。选择运算是建立在对个体的适应度进行评价的基础之上，其主要目的是为了避免基因缺失、提高全局收敛性和计算效率。常用的选择算子有比例选择、最优保存策略、确定式采样选择等。
为使下一代获得较优基因，并且避免陷入局部最优，采用最优保存策略和比例选择相结合的方法。对父代个体的适应度按从小到大进行排序，将前10%的个体直接选入下一代，用于替换交叉、变异等遗传操作后所产生的适应度最低的个体；其余90%的个体按适应度大小按比例进行选择复制。
（5）交叉
常用的交叉算子有单点交叉、多点交叉、均匀交叉等，根据积木块假设，单点交叉能保证具有良好的组块不致被拆开。根据单点交叉的思想，在时空数组中随机选择一块，将配对个体中该块中的各元素进行交换，如图一和图二所示。个体A和个体B交换随机选中的块A和块B中的课元。
交叉后形成的新个体在教师、教室和时间方面不会形成冲突，但可能存在课元冲突，例如某些课元安排多了，而某些课元安排少了。课元冲突的消解只需对新个体中块A和块B中的课元进行检查，如果课元多排了，则删除块外多余的课元；如果课元少排了，则为少排的课元重新安排新的时空片。
（6）变异
变异虽然发生的概率较小，但变异可以改变遗传算法的局部搜索能力，维持群体的多样性，防止出现早熟现象。这里采用基本位变异，在时空数组中随机选择若干个课元重新安排。通过对解空间的轻微扰动，有利于搜索空间渐渐向全局最优范围靠拢。
3算法测试
我们采用了c++语言实现了混合遗传排课算法和单纯遗传排课算法，并采用了西华师范大学计算机学院2012年第一期和第二期的课表数据进行了测试和比较。实验表明使用混合遗传算法排课收敛速度远远优于单纯的遗传算法，在教师满意度方面也以单纯遗传算法排课具有更高的满意度。
4结语
我们将直接启发式算法和遗传算法相结合形成了一种简单易行的混合遗传算法，克服了直接启发式算法不能获取全局最优（近优）解和遗传算法收敛速度慢的问题，能够以较快的速度收敛到全局最优（近优）解上。在遗传算法的编码方面，提出了二维时空数组编码。由于排课问题的复杂性，以往采用的编码方法过于复杂，造成交叉和变异产生大量冲突，消解这些冲突将耗费大量计算时间。而二维时空数组编码方式简单直观，而且在交叉和变异时仅产生少量的课元冲突，用很短的时间简单的方法就可以消解，从而大大提高了求解速度。利用此算法进行实际排课时，求解速度较快，所获得的排课方案满意度较高，获得更好的效果。
参考文献：
[1]周明，孙树栋.遗传算法原理及应用[M].北京：国防工业出版社，1999.
[2]谭保华，彭伟.基于蚁群遗传算法的高校排课系统[J].计算机仿真，2008，25（12）：294-297.
[3]陈卫东，李吉桂.基于拟人策略的高校排课系统[J].计算机科学，2003，30（12）：172-175.
[4]滕姿，邓辉文.基于蚁群遗传算法的排课系统的设计与实现[J].计算机应用，2007，27（12）：199-204.
[5]SAFAAID，SIGERUO.Incorporatingconstraintpropagationingeneticalgorithmforuniversitytimetableplanning[J].EngineeringApplicationofArtificialIntelligence，1999，12（3）：241-253.
【关键词】路径优化遗传算法问题
1遗传算法
1.1遗传算法的基本思想
遗传算法是在上世纪70年代被提出来的。遗传算法是从达尔文的遗传定律受到的启迪，达尔文遗传定律包括自然选择，主要是对生物进行筛选，和适者生存主要是来完成生物的进化。这也是遗传算法所运用的原理，最开始遗传算法是为了解释自然界中生物为了适应环境，而不断进化的复杂过程。后来仿照生物进化的过程，将遗传算法引入了优化算法中。该算法主要是为了服务于优化计算。一个问题的解决方法很多，需要优化选择最优解的时候，遗传算法将这个问题的原始状态看作是一个种群，其中的每一种状态都将编码为染色体。初始群体会在条件的约束下，不断进化，最终得出最优解，从而产生新的种群。从最后一个种群中找出最优解，解码成问题的最优路径，就是遗传算法在实践中的运用。
1.2遗传算法的步骤
遗传算法利用自然法则中进化的过程创建模型，其具体的计算方法如下：
（1）将原始数据构造成染色体。最终构成的染色体需要满足问题的约束条件。遗传算法对直接解决具体问题是不管用的，而是要先将和问题相关的实例编码成染色体的形式。在求最优解的过程中，可以有数种不同的编码方式，但原则是必须符合约束条件，否则会影响计算的准确性。
（2）在选择初始染色体的时候，应该秉承随机的原则。原始种群代表的是进化初始阶段的种群，初始群体要有多少盗浚要根据实际情况来定。
（3）每个染色体在不停进化的时候，优化度都会不断提高。优化度是用来评价染色体好坏的标准，遗传算法的目的，就是要找出染色体中最优的那一个。
（4）进化的过程，有复制、交叉和变异等形式的运算，进化将产生子群体。其中主要运用了适者生存的自然法则，交叉，复制主要是来自繁殖，而变异则代表着基因突变。
（5）若达到了终止条件，则将结果输出。得到最优解。
2进化计算
2.1计算的概念
计算实质上是一种物理过程，在自然界的方方面面都存在着计算，无论是花的形状，还是天然晶体的结构，当然也包括生物的进化过程，社会的发展，宇宙的演变等。人们从自然界中获得了很多灵感。
2.2进化计算
进化计算也是从达尔文的遗传定律中获得的启发，通过仿照生物进化的过程，设计出来的计算方法。进化计算今年来的发展非常迅速，时常有新的算法出现。因此笔者无法对下一个具体的定义。进化计算目前还是一个比较抽象的概念，进化计算主要可以分为以下几种：遗传算法，进化策略，进化规划等。近几年这些算法都在飞速的发展，并且在众多领域都有运用的实例，成为了进化计算框架中非常重要的部分。
3进化算法中的遗传算法解决路径优化问题的具体方法
3.1实验方法
确定一系列特定的需要访问的位置，从仓库调用一定数量的车辆来访问这些位置。那么怎么选择，才是车辆的最优路径，使车辆可以按照一定的顺序来访问各个位置，不仅能满足特定的约束条件，还能使车辆花费的时间最短，路径最优。
3.2使用改进的遗传算法来计算最优路径
笔者提出一种改良后的的遗传算法，将遗传算法中的编码机制改为自然数编码机制，该机制的优点是非常的直观。再利用三复本锦标赛的方法来进化解。经过实验证明了改进后的算法能更好的求解出最优路径。
3.3具体计算步骤
3.3.1对染色体进行编码
采用的新的编码机制使得编码的过程十分直接，对各种规模的问题都可以应对。并且要设立特殊位置，作为基因位。而访问特定位置的顺序就是所需要求的解（要包括不可行解）。每个基因位都有其需要满足的约束条件。如位置地点、需要到达的时间等。例如，若问题的解路线为：
1：02650
路线
2：083710
找最优解的时候，先将车辆要经过的位置的头和尾连接在一起，这样可以将染色体编码成256173849。这样做的缺点是缺少路线分界点，但是之后要交叉操作的时候会更加方便。只要在解码最优解的时候，按照顺序将节点插入到路线中去，就可以解决了。如果有的点时间满足不了，或是其他约束条件满足不了，就可以新增一条路径从插入点插入。根据进化的的思想，路线最优的时候，就会使访问的总费用和时间降低，因此进化过程中将尽量的往原有的路线中插入位置点。
3.4实验结论
通过改良的遗传算法，可以解决企业、邮政快递、高速公路配货过程中找寻最优路径的问题。其他行业关于最优路径的问题也能得到解决。研究该遗传算法有助于提高相关企业的利润、企业也能为顾客提高更好的服务，人们的需求也能得到最大程度得到满足。因此该算法的推广和运用是非常有意义的。
4总结
笔者提出了优化路径的优化算法，并通过实验。对改良的遗传算法的作用进行了验证。最终实验结果证明了该算法是十分有效的。
参考文献
[1]黄岚，王康平，周春光，原媛，庞巍.基于蚂蚁算法的混合方法求解旅行商问题[J].吉林大学学报（理学版），2012（04）.
[2]王凌著.智能优化算法及其应用[M].北京：清华大学出版社，2016.
[3]彭新娟基于进化计算的最大相似双聚类分析及其应用[D].长沙：湖南大学，2013.
1.1教材中的地位和作用
本节内容包括了伴性遗传的概念、人类红绿色盲症、抗维生素D佝偻病和伴性遗传在实践中的应用4个教学知识点。本节是以初中八年级下册“人的性别遗传”及上一节果蝇的杂交实验中有关的性染色体知识为出发点，以基因的分离定律为依据，在学习了减数分裂的基础上安排的，因此研究伴性遗传传递规律是对遗传定律的应用和深化。通过对人类红绿色盲症和抗维生素D佝偻病的分析讨论，进一步明确基因与性染色体的关系及基因分离定律的实质，还可为今后第五章第三节人类遗传病的学习打下基础。
本节红绿色盲的发现内容也是对学生进行情感教育、提高生物科学素养的好材料。同时“问题探讨”、“资料分析”、“遗传特点分析及应用”等内容也能培养学生探究、交流、独立分析问题解决问题的能力及获得研究生物学问题的方法。因此本节内容是尽显课程理念的极佳素材。
1.2教学目标
本节在课标中的要求为：概述伴性遗传，此为理解水平，结合本教材的特点和学生的实际情况，确定如下教学目标：知识目标：(1)说出伴性遗传的概念(了解水平)；(2)概述伴性遗传的特点(理解水平)；(3)举例说出伴性遗传在实践中的意义(了解水平)。能力目标：运用资料分析的方法，总结人类红绿色盲的遗传规律。情感、态度与价值观目标：体验科学探究的过程、成功的乐趣。
1.3教学重点和难点
教学重点：概述伴性遗传的特点。
教学难点：分析人类红绿色盲的遗传。
确定依据：理解伴性遗传的特点有助于真正领悟遗传定律的本质，有助于学生将知识应用于生产实践。因为学生对遗传知识掌握有限，仅仅根据所提供的一份红绿色盲家谱图及xY染色体结构图，就判断出色盲基因的位置，分析出遗传方式并归纳遗传特点，是不太容易的，因此把探究人类红绿色盲的遗传确定为难点分析。
2学情分析
通过前面的学习，学生已具备以下学习基础：
知识基础：人的性别遗传、孟德尔的两大遗传定律及细胞学基础、基因和染色体的关系。
能力基础：具备了一定的观察、比较、分析、推理、获取信息及探究能力。
情感、态度与价值观基础：乐于合作、探究、实事求是的态度。
3教法、学法分析
教法：根据教学目标、教材特点、学生的认知特点、现实情况，及新课程理念，确定了本节教学方法为“教师创设情境的纯思维探究”模式。即以情境(任务)驱动学习，以引导、合作、探究为主旋律并辅以讲授法、谈话法、读书指导法等，借助多媒体手段，通过创设问题情境、引导思维、让学生相互交流，相互评价，突出学生的主体地位，避免学生学而不思，思而不深，以提高学生知识、能力、情感三维度的生物科学素养，来体现新课程所倡导的探究式学习的教育理念。
学法：通过观察、讨论、分析去发现知识，逐渐培养自主学习的习惯和能力，通过探究活动和课上的交流，体验知识获得的过程，感悟科学探究的方法，体会同学间合作的魅力，尝到探究性学习的乐趣。同时也提高了学生分析问题的能力、语言表达能力，并进一步掌握科学探究的一般方法。
4教学过程
4.1创设情境、激发兴趣、导入新课
教师展示红绿色盲检查图，让学生识图辨认，以吸引其注意力，激发其学习兴趣。然后告诉学生有一位科学家就辨认不出这些图像，从而引出道尔顿发现色盲症的故事。教师启发思考：从道尔顿发现红绿色盲的过程中获得什么启示?道尔顿和弟弟的色盲基因是谁传下来的?借此进行情感教育并引导学生进入理性思维，顺利过渡到本课难点“探究红绿色盲的遗传方式”的学习。
4.2引导探究、分析讨论、难点突破
4.2.1探究红绿色盲的遗传方式
(1)播放一则关于红绿色盲的新闻，展示“资料分析”中的红绿色盲系谱图，讲解系谱作用，让学生认识系谱。提出问题：为什么患者大都是男的?色盲遗传和什么有关?性别是由什么决定的?
设计意图：思维是从疑问开始的，用上述问题搭建平台，学生很快就会进入积极思维的状态。
(2)展示男女染色体显微图片，引导学生观察，对比分析：明确常染色体的形态相同并突出性染色体的形态不同。介绍结构：板图男女性染色体的构成，认识x和Y的同源段和非同源段。突显基因：同源段的同一位置基因成对，而非同源段的基因则是x或Y特有的。本节课主要来探讨这类基因的传递规律。提出问题：色盲基因是位于x还是Y染色体呢?基因有显性和隐性，色盲基因属于那一种?小组讨论遗传方式，并进行汇报。
设计意图：分组讨论可以做到人人参与，主动合作有利于学生省时高效的发现问题，全面深度思考。讨论中教师可以适时引导学生：假设致病基因在Y染色体上，会如何?为什么Ⅱ代3号和5号有色盲基因而没有表现出色盲症?
正确的理解还要有清晰的思维才能将知识准确表述。因此，小组汇报既是对学生分析、归纳、阐述能力的训练过程，也是教师了解学生、发现问题、纠正错误的良好机会。
4.2.2探究红绿色盲的遗传特点
(1)基因型分析。
设疑：这个家系中，显示的红绿色盲患者都是男性，女子可能患病吗?借用此问题，教师出示人的正常色觉和红绿色盲的基因型和表现型表格，学生应能顺利完成，并总结出6种婚配方式。接下来进入本节课重难点的教学：探究红绿色盲的遗传特点。
(2)书写婚配图解。
教师选出4组具有代表性的婚配方式，来分析其遗传特点。将学生分四组，每组书写一个，完成四个婚配图解。此过程中要提醒学生遗传图解的规范书写，强调性染色体上的基因也遵循孟德尔的遗传规律。
(3)探讨归纳特点。
让学生分组讨论各种婚配式的遗传图解，同时设置问题串：①色盲基因在性别间是如何传递的呢?②为什么不能由男性传给男性?③男性的色盲基因怎样才能传给男性呢?④从图解看，色盲在男女中的发病情况怎样?⑤你是否能从基因和染色体的角度加以解释?选出代表讲解结果。教师巡视了解学隋，指导分析及时纠错，引领学生分析色盲的遗传规律，得出结论。
设计意图：采用引导探究的方法来突破重难点，这样的安排有助于帮助学生牢固掌握遗传图解的书写要求，深入体会孟德尔遗传定律的应用，有充分的时间对色盲遗传的特点进行思考，培养学生发现、讨论、总结的能力。层层递进的问题帮助学生理清了知识脉络，即突破了重点，又加深了难点，活跃的课堂氛围，积极主动的思考合作，凸显了学生的主体地位。
出示情境：在人类中还有一些病也有红绿色盲的传递特点，如血友病，简单介绍英国的维多利亚女皇家系中血友病遗传情况，以拓展视野，让学生了解血友病，加深对x染色体隐性遗传病的理解。性染色体基因控制的病症都是男性居多吗?从而引出抗维生素D佝偻病遗传。
4.2.3探究抗维生素D佝偻病遗传特点
展示资料，提出问题：抗维生素D佝偻病患者以女性居多，这是为什么呢?让学生尝试用红绿色盲的分析思路来分析总结x染色体显性遗传病的特点。
4.2.4探究Y染色体的遗传特点
出示情境：人类有一种病叫外耳道多毛症，只在男性表现，你能运用本节所学的知识加以解释吗?引出只位于Y上的基因的传递特点。
设计意图：让学生在两次探究中加深对所学知识的理解和应用，以培养学生知识迁移能力。
4.2.5归纳及应用
总结性染色体上基因的遗传方式，引出伴性遗传的概念，自然达成第一目标。
设计意图：学习的目的是学以致用，如何引导学生将遗传学原理用于实践，解决生活中的遗传问题，促进知识和能力的同步发展呢?我设置了以下N-,i'-问题。
(1)提出问题：如果夫妇一方是色盲或抗维生素D佝偻病患者，另一方正常，选择如何生育才能生出一个健康的孩子?
小组讨论，达成共识，提出方案。
(2)展示鸡的性别决定方式和鸡的芦花和非芦花性状。引导：根据伴性遗传的特点。
提出问题：能否用某种简单的方法把雌雄区分，从而多养母鸡多得鸡蛋?进而可以让学生了解到生物界性别决定的方式，不仅是XY型还有其他类型，如ZW型。
4.3小结及板书
关键词：生物信息学遗传学教学方法教学内容
遗传学（Genetics）是研究自然界中生物的遗传和变异规律的科学，是生命科学领域中最为重要和基础的学科之一。它也是生物科学中一门最具活力，发展最迅速的理论科学，又是一门紧密联系生产实际的基础应用科学，对探索生命起源和本质，推动整个生物科学的发展起着巨大的作用。因此，遗传学作为生命科学相关专业的一门重要主干课程，在教学中起着举足轻重的作用。
一、生物信息学专业开设遗传学的必要性
20世纪80年代末，由分子生物学、计算机科学以及信息技术等学科的交叉和结合产生了生物信息学（Bioinformatics），它是基于分子生物学与多种学科交叉，以计算机为工具对生物相关信息进行储存、检索和分析的科学，是当今生命科学和自然科学的重大前沿领域之一。近20年，特别是随着人类基因组计划（humangenomeproject，HGP）不断拓进，生物信息学作为跨越和融合生命科学与信息技术的新兴学科已成为生命科学核心领域和最具活力的前沿领域之一。生物信息学专业应运而生。国内单独设立生物信息学本科专业的高校较少，且普遍较晚。
遗传学与生物信息学两个学科之间关系密切。有国内学者利用美国《科学引文索引》（SCI）数据库webofscience，运用文献计量学方法对8种权威生物信息学期刊2001年至2010年于2011年1月15日之前上传至wedofscience的全部文献进行统计及分析。对施引文献按跨学科强度排列的结果显示，遗传学及基因与生物信息学跨学科文章发表量居第二位，仅次于生物化学与分子生物学。这说明，生物信息学与遗传学直接的跨学科研究较多，二者交叉学科的发展关系密切。因此，生物信息学专业开设《遗传学》课程十分必要。
二、遗传学教学中存在的问题
多年来，不同专业的《遗传学》课程的教学过程中涌现出一些共性问题，这些问题在生物信息学本科专业的教学过程中也存在。一是，学科拓展深化与课时压缩之间的矛盾。随着遗传学研究范畴的不断拓展，新的学科分支相继涌现，信息量逐步扩增，待教授内容逐渐增加且显得零散。但随着大学素质教育改革的进行，更多新的选修课、实验课被引入，遗传学理论课时被压缩，课时减少与内容增多的矛盾日益突显。二是，遗传学与其他课程教学内容设置与组织易重复。学科交叉为科研工作提供源源不断的动力，但在教学工作中学科渗透也造成教学内容重叠，基础和关紧技术重复教学的问题。例如，分子遗传学是遗传学重要组成部分，是目前遗传学研究的重点和热点，与生物信息学关系最为紧密，它包括的遗传物质的本质，基因的调控，基因重组等内容也在基因工程、分子生物学、细胞学等课程中作为讲授重点。如何利用有限的理论课时，合理安排教学内容，提高教学效率值得思考。
与此同时，生物信息学作为比较新的本科专业，开设各课程之间的衔接问题也比较突出。生物信息学专业的学生在大二开始全面生命科学和信息技术相关程学习。在理论知识在实际中如何应用缺乏概念，学生达不到共鸣，这也是生物信息学专业低年级学生面临的通病。遗传学课程安排在大学二年级上学期讲授，对于刚刚接触专业课程的学生而言本来就陌生，而且信息技术和生命科学相关课程独立讲授，二者貌似是两条平行线，怎样相交碰撞出火花，对于学生来说很难结合，必须由任课老师在授课过程中充分引导。传统的《遗传学》课程教学注重以杂交分析为主的经典遗传学理论的讲解，很大篇幅集中在三大定律（分离定律、自由组合定律以及连锁和互换定律）的教授上。遗传学课程教学重点集中在经典遗传学定律，经典案例跟不上学科发展。这个问题已经被一线教育工作者认知。
综上，由于学科本身发展迅速，涵盖知识范围越来越广，课时压缩等原因，容易让学生在学习过程中对该课程产生“内容太发散”“课时进程快”“知识跨越大”等认识，不利于课程的学习。由此可能造成，内容广泛且繁杂“抽象且深奥”枯燥无味，容易让学生觉得难或者枯燥。学生学习主动性不高。因此，在教学实践中，针对不同专业性质和培养目标存在的差异，不同专业《遗传学》课程教学应在知识体系、内容侧重点、教学方法等方面在各专业间有所区分。特别是生物信息学这种学科交叉性强的专业，如何实施该专业本科生遗传学的教学，以达到即符合本科教学难易程度的要求，又被大多数同学接受，同时能符合生物信息学学科自身特点，需要在教学过程中逐步的探索与实践。本文将结合资深授课教师经验及笔者生物信息学本科专业《遗传学》教学经历对这一问题进行阐述。
三、教学过程中的探讨与实践
1.制定具有专业特色的教学内容
（1）优化教学内容，关注专业需求
生物信息学专业的课程教学中，遗传学相关知识是需要讲授的重点。传统遗传学课程教学将重点内容集中于经典遗传学定律及其相关知识的讲授，其优点在于能够帮助学生打牢遗传学知识基础，缺点在于教学内容过于单一，没有包含遗传学重要分支的最新知识，无法与当前的研究热点联系起来，学生学习兴趣不高。随着国际遗传学研究的深入，分子遗传学和群体遗传学得到长足发展，极大地丰富了遗传学的知识体系。为了紧跟国际研究前沿，国内许多高校对遗传学课程进行了教学改革，在经典遗传学教学的基础上，纷纷加入了分子和群体遗传学的教学内容，为后续开展更深入的专业研究和学习奠定了良好的知识基础。为了帮助学生对遗传学知识体系形成全面而系统的认识，结合生物信息学专业特点，在教学设计时借鉴了以“遗传信息”为主线的教学思想，教学内容涵盖了“经典”“分子”和“群体”三类主体遗传学内容。在现实教学中，受遗传学课时限制，对所有遗传学知识点进行了梳理和必要的删减，既把握三种遗传学知识的内在联系，做好各部分知识的教学衔接，同时注意区分三者的不同，突出教学重点，做到“主题鲜明，重点突出，点面结合，结构清晰”，使学生在掌握经典基础理论知识的同时了解最新的遗传学研究进展。
（2）生物信息学专业遗传学课程与其他课程的衔接
遗传学是研究生物遗传和变异的科学，以遗传物质结构和功能为研究对象，是生命科学的主干。因此，与其他学科在内容上有交叉或重叠无法避免。同中求异，突出遗传学的特色，是教学中值得研究的问题。遗传物质的本质、染色体畸变、基因突变、遗传调控等章节与微生物学、细胞生物学、生物化学内容重复较多，可以强调知识结构的完整性，淡化这些内容的分子结构和生化过程的讲解。例如，结合孟德尔定律和摩尔根定律案例，着重从染色体和基因角度切入，增强遗传学色彩，同时对其他课程起到提纲挈领的作用。
（3）结合生物信息学，引入最新研究成果，体现前沿性
在处理好学科衔接之后，还需要关注的就是内容与生物信息学的结合。学生在学习过程中，最想了解的莫过于，这门课程与我的专业有什么联系？因此，在讲授内容中加入生物信息学手段解决遗传学问题的新成果既体现前沿性，又能提高遗传学课程的专业针对性。教师平时要多注意积累教学素材，对于现阶段比较热点且与生物信息学相关的、应用性强的问题，要在课程基础知识讲授后，进行一定拓展。例如，在讲授基因定位和遗传图绘制时，引入用EST进行基因定位及遗传图谱绘制等内容；在讲到遗传家谱时，引入通过对患病群体或家系进行外显子组测序分析，对小家系孟德尔遗传病的致病基因进行鉴别和定位的例子。通过引入生物信息学教学例子，不仅可以使学生加深对遗传学知识的理解，还可帮助学生了解生物信息学最新进展，激发对后续生物信息学专业课程的学习兴趣。
2.教学方法多样化，提升学生学习兴趣
遗传学教学内容繁杂、理论性强，不易理解。为了提高教学效果，在教学模式上必须变“以教师为主体”为“以学生为主体”，注重采用灵活多样的教学方法和手段，开展多媒体教学、案例教学和研讨教学等，将传统抽象、枯燥的说教式教学转变为具体、生动的参与式教学，增强教与学的双向互动。
（1）多媒体教学方式
计算机多媒体辅助教学改变了传统的黑板加粉笔，以教师为中心灌输式教学模式。多媒体通过实时可交互的多维动画及图像展示，可以增强教学内容的展示效果，提高课堂教学的信息量和容积率，提升学生学习兴趣，加深对枯燥晦涩知识点的理解，提高教学效率。充分利用多媒体课件的超文本功能、交互功能、网络功能的优势，比如Holliday模型是分子水平上关于遗传重组机制的重要模型，很好解释了基因转变现象。在讲到Holliday模型时，为了让学生直观了解单链交换重接及分支移动后的Holliday交叉旋转180度形成Holliday异构体的过程，采用了动画、图片、电子板书相结合的方式，很容易让学生理解空间旋转互换的过程，以及基因转变产生的原因等较难理解的知识点，反响较好。此外，声音、视频、动画、图片等便于学生拆解枯燥内容。
（2）案例教学
案例教学是一种创新型的教学方式，主要通过开放课堂、增强互动，培养学生运用所学知识解决实际问题的能力。案例教学需要结合本课程的专业理论知识，着眼于达成课程教学目的，编写和准备基于一定事实且具有一定场景的教学案例，这些教学案例要能够启发学生的思考，促进学生将从外部学习的知识吸收转化内在的专业素养和能力。在教学实践中，教学案例是“教”与“学”互动的桥梁和纽带，使枯燥乏味的学习过程变得活泼有趣；“教”不是告诉学生怎么去做，而是启发学生如何去思考，对学生针对案例问题提出的解决思路进行引导和评价，鼓励学生创新性思考，找到最优的问题解决方法；“学”不是被动的接受，而是主动的思考和创造，通过与他人而不仅仅是老师进行互动和交流，加深对知识的理解，培养解决实际问题的能力。
案例教学的核心是精心设计教学案例，将知识内化在符合实际又富于想象的故事情景中，使得学生通过身临其境将抽象的理论知识具体化，学会如何用概念性和原理性知识在实际工作和研究中解决问题，进而加深对特定原理和概念内涵的理解。在教学实践中，先以典型案例提高学生兴趣，把抽象的东西具体化，让学生变被动接受为主动思考，激发学生的求知欲。注重培养学生创造力和解决问题的能力。通过案例的分析，深化学生对基本原理、基本概念的理解。案例教学能很好地启发学生进行自主思考，对于理论性较强，比较枯燥的内容，通过案例式教学能激发学生学习兴趣。所举案例应具有针对性，要考虑案例产生的时间、背景和条件，要贴近生活，耳熟能详，与时俱进。在处理问题的同时，获取知识。进行案例教学过程中，要注重与学生的互动。围绕教学目的，选择合适案例，进行启发式教学，调动学生参与性。教师不能一味平铺直叙的讲案例，还要注意学生的参与度。只有学生和教师共同参与，才能达到预期教学效果。
（3）以学生为主体的教学
以往课程中，往往针对经典类型习题进行讲解，参考“标准答案”。在实际教学中发现，这样往往造成学生思想禁锢，学科交融性不够。特别是对于生物信息学专业的学生来说，传统习题课或者讨论课，没有实用效果。习题课及讨论课应注重实用性，关注遗传学与生物信息学学科发展与融合，设置开放性答案，突出培养学生创新性的应用能力。
课堂教学不仅要“授业”，更要“传道”，即培养学生如何学习和如何思维。根据教学内容和学生的认知水平，研究、讨论、交流式的教学模式的引入，有助于调动学生积极性。采用专题自学，规定材料与学生自学有机的结合起来，开展研讨，充分体现学生观点。同时，教师只起到点评引导作用，能培养学生获取信息、分析问题、创造性的解决问题的能力，有利于学生形成科研创新意识。教师如何正确引导是开展研讨式教学的重点。首先，应明确课程在相关领域中的作用和地位，了解课程的教学内容，选择课程中适合研讨的内容，并将研究与讨论贯穿教学的全过程。在选择题目时，要考虑专业相关程度及考虑不同学生层次的需求，考虑学生个体间的差异，难度适宜。
四、结语
生物信息学本科专业遗传学的教学，以孟德尔定律为基础，分析遗传物质的存在形式、传递、保存及变化，课程脉络更加清晰，通过案例教学的等教学模式，激发兴趣，并有利于与后续课程连接，在实践教学中体现了比较好的教学效果。因为生物信息学专业的需求与传统生物专业有差异，教学内容侧重点不同这给教师备课增加了难度。同时，在期末考核时，由于讲授侧重点不同，考试侧重点也应有所区别，在师资允许的前提下，引入小班教学，有利于教学侧重点突出。后续课程如果设置分子遗传学，将使知识体系更加完整。
参考文献：
[1]李巨超，李楠.适应应用型人才培养模式的遗传学教学改革与探索[J].中国科教创新导刊，2012，（2）：66.
[2]巴恩斯.遗传学工作者的生物信息学[M].丁卫，李慎涛，廖晓萍，译.北京：科学出版社，2009.3.
[3]皮妍，林娟，侯嵘，等.国内高校遗传学教材发展研究[J].遗传，2009，31（1）：109-112.
[4]武妍，胡德华.生物信息学跨学科研究[J].现代生物医学进展，2012，（12）：137-141.
关键字：遗传算法；机器学习；人工生命；人工神经网络；神经网络拓扑结构
中图分类号：TP183文献标识码：A文章编号：1009-3044(2008)27-2040-03
TheApplicationofGeneticAlgorithmtotheArtificialIntelligence
WANGHui
(XinjiangPetroleumInstitute,Urumqi830000,China)
Abstract:Inthispapertheauthorintroducesthebasicconceptionofgeneticalgorithm(GAforshort),thefeatureofGAandthecalculationsteps.Wecanalsogetageneralideaofthedevelopmentinthemachinelearning,ParallelProcessing,artificialLife,andtheintegrationofevolutionaryrulesandstrategies.Atlast,theapplicationofGAtoartificialneuralnetworksisdiscussed,especiallytheapplicationofGAtothestudyofneuralnetworksweightandtheneuralnetworktopology.
Keywords:geneticalgorithm;machinelearning;artificiallife;artificialneuralnetworks;neuralnetworktopology
1遗传算法简介
遗传算法是模仿生物遗传学和自然选择机理，通过人工方式构造的一类优化搜索算法，与传统数学模型截然不同，它为那些难以找到传统数学模型的难题找出了一个解决方法。遗传算法借鉴了生物科学中达尔文的物竞天择、适者生存的进化准则，1975年，Michigan大学Holland教授根据这一规律首次提出了遗传算法（geneticalgorithm，简称GA），其基本思想是力求充分模仿这一自然寻优过程的随机性、鲁棒性和全局性。这是一种新型的全局优化搜索算法，因为其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等数学问题，鲁棒性强、随机性、全局性以及适于并行处理，已广泛应用于神经网络、计算机科学、优化调度、运输问题、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，并且遗传算法在实际应用中也取得了巨大成功。
2基本遗传算法
遗传算法的工作过程本质上就是模拟生物的进化过程。首先，要规定一种编码方法，使得你的问题的任何一个潜在可行解都能表示成为一个“数字”染色体。然后，创建一个由随机的染色体组成的初始群体（每个染色体代表了一个不同的候选解），并在一段时期中，以培育适应性最强的个体的办法，让它们进化，在此期间，染色体的某些位置上要加入少量的变异。
遗传算法是一种基于空间搜索的算法，它的求解可以看成是最优化过程。遗传算法的最大优点就是，你不需要知道怎么去解决一个问题，你需要知道的仅仅是用什么样的方式对可行解进行编码，使得它能被遗传算法机制所利用。遗传算法并不能保证所得到的解是最优解，但可以将误差控制在容许的范围内。遗传算法具有以下特点：
1）遗传算法是对参数集合的编码而非针对参数本身进行优化；
2）遗传算法是从问题解的编码组开始而非从单个解开始搜索；
3）遗传算法利用目标函数的适应度这一信息而非利用导数或其他辅助信息来指导搜索；
4）遗传算法利用选择、交叉、变异等算子而不是利用确定性规则进行随机操作。
那么下面对基本遗传算法给出一个求解步骤：
1）定义一个目标函数；
2）将可行解群体在一定的约束条件下初始化，每一个可行解用一个向量x来编码，称为一条染色体，向量的分量代表基因，它对应可行解的某一决策变量；
3）计算群体中每条染色体xi(i＝1，2，…，n)所对应的目标函数值，并以此计算适应值Fi，按Fi的大小来评价该可行解的好坏；
4）以优胜劣汰的机制，将适应值差的染色体淘汰掉，对幸存的染色体根据其适应值的好坏，按概率随机选择，进行繁殖，形成新的群体；
5）通过杂交和变异的操作，产生子代。杂交是随机选择两条染色体（双亲），将某一点或多点的基因互换而产生两个新个体，变异是基因中的某一点或多点发生突变；
6）对子代群体重复步骤(3)～(5)的操作，进行新一轮遗传进化过程，直到迭代收敛（适应值趋稳定）即找到了最优解或准最优解。
3遗传算法的发展动向
GA在应用方面的取得了较丰硕的成果，其主要应用领域在于函数优化，机器人学，设计，组合优化，信号处理，人工生命等，此外遗传算法还有几个引人注目的新动向。
3.1基于GA的机器学习
这一新的研究方向把GA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，GA作为一种搜索算法从一开始就与机器学习有密切联系。分类器系统是第一个基于GA的机器学习系统。基于GA的概念学习是近几年机器学习领域的一个较为引人注目的研究方向。还有一些嵌入领域知识的基于GA的机器学习的研究。
3.2并行处理的GA
并行处理的GA的研究不仅是GA本身的发展，而且对于新一代智能计算机体现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，许多研究人员都正在搜索在并行机上高效执行GA的策略。近几年也发表了不少这方面的论文，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。在并行GA的研究方面，一些并行GA可以分为两类：一是粗粒度并行GA，它主要开发群体间的并行性，如Coboon分析了在并行计算机上解图划分问题的多群体GA的性能；另一类是细粒度并行GA，它主要开始一个群体中的并行性，如Kosak将群体中的每个个体映射到一个连接机的处理单元上，并指出了这种方法对网络图设计问题的有效性。
3.3GA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GA有密切的关系，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。
3.4GA与进化规则及进化策略的结合
GA，进化规则及进化策略是进化计算的三个主要分支，这三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，但三种算法又是从不完全相同的角度出发来模拟生物的进化过程，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，所以又有差异。但在进化计算领域内更重要的工作是生物的进化机制，构造性能更加优良且适应性更加广泛的进化算法。
4基于遗传算法优化神经网络的应用研究
神经网络和遗传算法目标相近而方法各异。因此，将这两种方法相互结合，必能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，形成了以遗传算法与神经网络相结合的进化神经网络(ENN)。遗传算法在神经网络中的应用主要是用遗传算法学习神经网络的权重和学习神经网络的拓扑结构两个部分。
4.1遗传算法学习神经网络的权重
而最主要的是学习神经网络的权重，也就是用遗传算法来取代一些传统的学习算法。目前广泛研究的前馈网络中采用的是Rumelhart等人推广的误差反向传播（BP）算法，BP算法具有简单和可塑的优点，但是BP算法是基于梯度的方法，这种方法的收敛速度慢，且常受局部极小点的困扰，采用遗传算法则可把神经网络的结构优化和权值学习合并起来一起求解，克服了BP算法的缺陷，是神经网络权值学习的有效方法。
遗传算法学习神经网络权值的算法步骤如下：
1）随机产生一组分布，采用某种编码方案对该组中的每个权值（或阈值）进行编码，进而构造出一个个码链（每个码链代表网络的一种权值分布），在网络结构和学习算法已定的前提下，该码链就对应一个权值和阈值取特定值的一个神经网络；
2）对所产生的神经网络计算它的误差函数，从而确定其适应度函数值，误差与适应度成反比关系；
3）选择若干适应度函数值最大的个体，直接遗传给下一代（精英保护策略）；
4）利用交叉和变异等遗传操作算子对当前一代群体进行处理，产生下一代（新一代）群体；
5）重复步骤2～4，使初始确定的一组权值分布得到不断的进化，直到训练目标得到满足或者迭代次数达到预设目标为止。
4.2遗传算法学习神经网络的拓扑结构
神经网络结构包括网络的拓扑结构（连接方式）和接点转移函数两方面。利用遗传算法设计神经网络可根据某些性能评价准则如学习速度，泛化能力或结构复杂程度等搜索结构空间中满足问题要求的最佳结构。利用遗传算法设计神经网络的关键问题之一仍然是如何选取编码方案。
遗传算法学习神经网络结构的算法步骤如下:
1）随机产生若干个不同结构的神经网络，对每个结构编码，每个码链对应一个网络结构，N个码链构成种群。
2）利用多种不同的初始连接权值分别对每个网络进行训练。
3）计算在每个对应码链下神经网络的误差函数，利用误差函数或其他策略（如网络的泛化能力或结构复杂度）确定每个个体的适应度函数。
4）选择若干适应度函数值最大的个体构成父本。
5）利用交叉，变异等遗传操作算子对当前一代群体进行处理，产生新一代群体。
6）重复上述2）-5）步骤，直到群体中的某个个体（对应一个网络结构）能满足要求为止。
5结束语
遗传算法作为一种新型的全局优化搜索算法，由于其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，又具有鲁棒性强、随机性、全局性以及适于并行处理的优点，在人工神经网络的应用上展现了它的独特魅力与优势，但同时，它在理论和应用技术上也存在着许多不足和缺陷，比如相对鲜明的生物基础，其数学基础显得极为薄弱，尤其是缺乏深刻且具有普遍意义的理论分析。随着理论研究的深入，可以肯定，作为一种高效并行的全局搜索方法，遗传算法以其特有的算法特点使其在许多实际问题中的应用会越来越广；同时，广泛的数学方法和强大的计算机模拟工具的出现，必将使遗传算法的研究取得长足的进展。
参考文献：
[1]蔡自兴.人工智能及其应用[M].3版.北京：清华大学出版社，2003.
[2]王风琴.基于遗传算法的神经网络优化[J].燕山大学学报，2001，25（3）：234-239.
[3]陈国良.遗传算法及其应用[M].北京：人民邮电出版社，1999.
[4]陈颖琪.进化计算与神经网络的结合[J].红外与激光工程，1999，（4）：8-11，35.
[5]Kretnovichv.QmtanaCandPuentesO.GenetncAlgorithms-WhatFitnessScalingisOptimal.CtbermandSystem1993.24.
[6]SWMathfoud.Geneticdriftinsharingmethods.0-7803-I899-4/94.1994IEEE
[7]VPetrochs.SKazarns.VaryingqualityfunctionGengenticalgorithmsandthecuttingproblem.0-7803-I899-4/94.1994IEEE
[8]杨旭东，张彤.遗传算法应用于系统在线识别研究[J].哈尔滨工业大学学报，2000，32（1）：102-104.
[9]PhamDT，JinG.Geneticalgorithmsusinggradient-likerenreductionoperator.ElectronicsLetters.1995.31.
[10]NoverD，BaskaranS，ScbusterP.Understandinggeneticalgorithmsdynamicsusingharvestingstrategies.PhysicsD79,1994.
[11]KaoT,HwangSY.Ageneticalgorithmwithsruptiveselection[J].IEEETranscationsonSystem,Man.AndCybernetris-PartB:Cybernetics1996,26.