女子正常但母親有遺傳的瘸腿病哪這女子的下一代正常嗎

女子正常但母親有遺傳的瘸腿病哪這女子的下一代正常嗎

遺傳算法（geneticalgorithm）是一類借鑒生物界的進化規律（適者生存，優勝劣汰遺傳機制）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、自適應控制和人工生命等領域。它是現代有關智能計算中的關鍵技術。
對於一個求函數最大值的優化問題(求函數最小值也類同)，一般可以描述為下列數學規劃模型:
式中為決策變量，為目標函數式，式2-2、2-3為約束條件，u是基本空間，r是u的子集。滿足約束條件的解x稱為可行解，集合r表示所有滿足約束條件的解所組成的集合，稱為可行解集合。
遺傳算法的基本運算過程如下:
a)初始化:設置進化代數計數器t=0，設置最大進化代數t，隨機生成m個個體作為初始群體p(0)。
b)個體評價:計算群體p(t)中各個個體的適應度。
c)選擇運算:將選擇算子作用於群體。選擇的目的是把優化的個體直接遺傳到下一代或通過配對交叉產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。
d)交叉運算；將交叉算子作用於群體。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。遺傳算法中起核心作用的就是交叉算子。
e)變異運算:將變異算子作用於群體。即是對群體中的個體串的某些基因座上的基因值作變動。
群體p(t)經過選擇、交叉、變異運算之後得到下一代群體p(t1)。
f)終止條件判斷:若tt,則以進化過程中所得到的具有最大適應度個體作為最優解輸出，終止計算。
[編輯本段]遺傳算法-特點
遺傳算法是一類可用於復雜系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：
1、遺傳算法以決策變量的編碼作為運算對象。傳統的優化算法往往直接決策變量的實際植本身，而遺傳算法處理決策變量的某種編碼形式，使得我們可以借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。
2、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。
3、遺傳算法使用多個點的搜索信息，具有隱含並行性。
4、遺傳算法使用概率搜索技術，而非確定性規則。
[編輯本段]遺傳算法-應用
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，而只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系統問題的通用框架，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：
1、函數優化。
函數優化是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。對於一些非線性、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。
2、組合優化
隨著問題規模的增大，組合優化問題的搜索空間也急劇增大，有時在目前的計算上用枚舉法很難求出最優解。對這類復雜的問題，人們已經意識到應把主要精力放在尋求滿意解上，而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。
此外，ga也在生產調度問題、自動控制、機器人學、圖象處理、人工生命、遺傳編碼和機器學習等方面獲得了廣泛的運用。
[編輯本段]遺傳算法-現狀
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，同時產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。
隨著應用領域的擴展，遺傳算法的研究出現了幾個引人注目的新動向：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。這一新的學習機制對於解決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系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（evolutionprogramming,ep）以及進化策略（evolutionstrategy,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制的只能計算方法，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。
1991年d.whitey在他的論文中提出了基於領域交叉的交叉算子（adjacencybasedcrossover），這個算子是特別針對用序號表示基因的個體的交叉，並將其應用到了tsp問題中，通過實驗對其進行了驗證。
d.h.ackley等提出了隨即迭代遺傳爬山法（stochasticiteratedgenetichill-climbing，sigh）采用了一種復雜的概率選舉機制，此機制中由m個“投票者”來共同決定新個體的值（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。
h.bersini和g.seront將遺傳算法與單一方法（simplexmethod）結合起來，形成了一種叫單一操作的多親交叉算子（simplexcrossover），該算子在根據兩個母體以及一個額外的個體產生新個體，事實上他的交叉結果與對三個個體用選舉交叉產生的結果一致。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，三者交叉算子比其余兩個有更好的性能。
國內也有不少的專家和學者對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，以解決經典遺傳算法的收斂到局部最優值問題
2004年，趙宏立等針對簡單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-blockcodedparallelga，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，產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。
2005年，江雷等針對並行遺傳算法求解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,向全局最優解方向進化。
[編輯本段]遺傳算法-一般算法
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、控制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：
創建一個隨機的初始狀態
初始種群是從解中隨機選擇出來的，將這些解比喻為染色體或基因，該種群被稱為第一代，這和符號人工智能系統的情況不一樣，在那裡問題的初始狀態已經給定了。
評估適應度
對每一個解(染色體)指定一個適應度的值，根據問題求解的實際接近程度來指定(以便逼近求解問題的答案)。不要把這些“解”與問題的“答案”混為一談，可以把它理解成為要得到答案，系統可能需要利用的那些特性。
繁殖(包括子代突變)
帶有較高適應度值的那些染色體更可能產生後代(後代產生後也將發生突變)。後代是父母的產物，他們由來自父母的基因結合而成，這個過程被稱為“雜交”。
下一代
如果新的一代包含一個解，能產生一個充分接近或等於期望答案的輸出，那麼問題就已經解決了。如果情況並非如此，新的一代將重復他們父母所進行的繁衍過程，一代一代演化下去，直到達到期望的解為止。
並行計算
非常容易將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”體系結構，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。
[編輯本段]遺傳算法-基本框架
1ga的流程圖
ga的流程圖如下圖所示
2編碼
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)。
評估編碼策略常采用以下3個規范:
a)完備性(completeness):問題空間中的所有點(候選解)都能作為ga空間中的點(染色體)表現。
b)健全性(soundness):ga空間中的染色體能對應所有問題空間中的候選解。
c)非冗余性(nonredundancy):染色體和候選解一一對應。
目前的幾種常用的編碼技術有二進制編碼，浮點數編碼，字符編碼，變成編碼等。
而二進值編碼是目前遺傳算法中最常用的編碼方法。即是由二進值字符集{0,1}產生通常的0,1字符串來表示問題空間的候選解。它具有以下特點:
a)簡單易行；
b)符合最小字符集編碼原則；
c)便於用模式定理進行分析，因為模式定理就是以基礎的。
3適應度函數
進化論中的適應度，是表示某一個體對環境的適應能力，也表示該個體繁殖後代的能力。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

[1] [2] 下一页