公务员期刊网 精选范文 分子遗传学中心法则范文

分子遗传学中心法则精选(九篇)

前言:一篇好文章的诞生,需要你不断地搜集资料、整理思路,本站小编为你收集了丰富的分子遗传学中心法则主题范文,仅供参考,欢迎阅读并收藏。

分子遗传学中心法则

第1篇:分子遗传学中心法则范文

摘要人格的行为遗传学研究,是以研究遗传和环境的差异来解释人格的个体差异的程度为目的,为探讨遗传和环境在个体发展中的作用提供了新的研究途径。该文以天性和教养为突破口,紧紧围绕行为遗传学在人格研究领域的发展脉络:遗传力、环境、特定基因的研究,进一步探讨在个体人格发展过程中遗传和环境的交互作用的关系。

关键词行为遗传学,人格,遗传,环境,基因。

分类号B848

1引言

行为遗传学是在遗传学、心理学、行为学和医学等学科发展基础上形成的一门交叉学科。它是以解释人类复杂的行为现象的遗传机制为其研究目标,探讨行为的起源,基因对人类行为发展的影响,以及在行为形成过程中遗传和环境之间的交互作用[1]。目前,人格的行为遗传学研究比较盛行。人格的行为遗传学研究的目的就是在分析人格特质的个体差异时,能够说明在何种程度上用遗传和环境的差异来解释人格差异。

人格的行为遗传学是研究个体差异的生物基础,即研究每一个人所遗传的特定的基因组合怎样使其在后天具有表现型的个体差异。所谓的表现型是指可以直接观察到的个体的行为和生理特征;与其相对的概念就是基因型,它是指个体或群体通过生命繁衍继承下来的遗传特征。行为遗传学假定个体的表现型差异主要来源于遗传和环境两方面的影响[2]。具体来说,人格的行为遗传学强调研究每一个体从亲代遗传中继承的一系列不同的基因,鉴别对人格产生重要影响的特定遗传因子,探讨这些基因的特定组合怎样影响着个体的气质、人格和心理健康。人格的行为遗传学研究,除了证明遗传因素的重要作用外,还为说明环境的作用提供了最有力的证据,因为,环境和经验也影响着个性特质从基因型到表现型的实现过程。换句话说,人格的行为遗传学研究既证实了“人格是由遗传和环境决定”的观点,同时,又为解决遗传和环境决定论之间的矛盾冲突提供了新途径。

目前,行为的遗传学研究主要采用遗传力、共享与非共享环境、基因与环境交互作用的研究思路,探讨天性与教养(即遗传与环境)在人格形成中的作用,揭示行为遗传学在人格研究领域中的发展趋势。

2人格的行为遗传学研究趋势及其发展

20世纪70年代席卷行为遗传学研究的争议已经消退,80年代特别是90年代以来,行为科学越来越接受遗传影响这一观点,表现为越来越多的行为遗传学的文章出现在主流行为学杂志和研究领域中。这是行为遗传学在现代行为科学中极大的转变。行为遗传学是研究行为遗传的,人格的行为遗传学的早期研究就是通过遗传力、环境来比较双生子和收养研究,寻找遗传和环境影响人格差异的证据。目前的研究试图发现并确定使行为和心理特质具有遗传性的特殊基因。

2.1人格的遗传力研究

遗传力是一个描述遗传影响程度的统计值,指观测到的(表现型的)变异中能被遗传变异解释的百分比。它是衡量遗传在多大程度上能解释心理特质差异的指标,也就是说,某一群体或个体的表现型差异能够归因于遗传差异的比例。由于同卵双生子有100%相同的遗传物质,异卵双生子有50%相同的遗传物质,而养子与养父母之间没有相同的遗传物质,因此,人格的遗传力研究以 双生子与养子为研究对象,来比较人格的个体差异中能够用遗传差异解释的比例。这类研究采用人格自陈问卷或其它测量手段,外向性与神经质是在此类研究中被测量得最多的两种特质[3]。

基于人格自陈量表及其他测量手段的研究都表明,双生子人格有中等程度的遗传力。在一项对24000对涉及五个国家的儿童双生子研究中,同卵双生子与异卵双生子在外向性上的平均相关分别为0.51和0.18,在神经质上的平均相关分别为0.46和0.20。根据遗传作用的加法式模型,将同卵与异卵双生子相关系数的差值乘以2,分别得出外向性的遗传力为62%,神经质的遗传力为52%。许多人格量表的研究结果表明,除外向性与神经质之外的其他特质上,同卵双生子的相关也总是大于异卵双生子[4]。一项以近1000对德国和波兰成年双生子的研究比较了自陈问卷与同伴评定法在大五因素上的得分情况。其中,每个双生子的人格都由两名同伴对其进行他评。结果发现,同伴评定的平均相关为0.61,表明一致性信度较高。同伴评定与自我评定分数之间的平均相关为0.55,说明自我评价具有中等的效度。有研究已证明,自评得分与其他研究基本相同[5]。

与双生子研究相比,收养研究则表明,个体的人格发展受遗传作用的影响要小。双生子与收养研究结果的这种差异主要集中于两点:一种是相同的生活环境可能会增强同卵双生子之间的相似性,对分开抚养的同卵双生子的研究在一定程度上支持了这一假说。收养研究中低遗传力的另一种可能的解释是非加法遗传效应。所谓加法遗传效应指的是各种独立的遗传作用会“加在一起”影响某种人格特质,而非加法遗传效应则指的是它们之间的交互作用。无论遗传效应是否为加法,同卵双生子在各个方面都完全相同,但异卵双生子彼此之间在加法效应因子上只有50%的共同性,非加法遗传效应对他们及其他直系一代亲属彼此的相似性影响更小[5]。

人格的行为遗传学研究一直仅限于考察遗传因素在多大程度上会影响人格的个体差异。采用自陈问卷研究人格差异的结果表明,遗传因素对于人格差异具有重要影响,每一种人格特质在用自陈问卷测评时都表现出遗传的作用。因此,目前人格的行为遗传学研究已经超出遗传力的界限,其中一个重要的发展方向就是研究遗传与教养两者的关系,即从环境角度对人格进行考察。

2.2人格的环境研究

2.2.1人格的共享环境和非共享环境研究

双生子与收养研究表明,家庭成员之间具有某些相似性主要源于他们之间具有共同的遗传特征而非共同的家庭环境[6]。著名的行为遗传学家普洛明(R. Plomin)认为,家庭经验是很重要的,但是环境因素的影响是针对某一个子女,并不是被家庭成员所共享。也就是说,影响人格发展的环境对于同一家庭的成员来说并不比不同家庭的成员更为相同。普洛明提出了人格的共享环境和非共享环境[7]。共享环境指生活在同一家庭的子女在平均水平上所享有的相同环境,包括通常意义上的家庭背景(家庭社会经济地位、父母职业、受教养程度、等)、学校状况、共同伙伴、邻里情况、民族情况等。非共享环境则指子女在家庭内外获得的独特经验,来源于仅仅被一个子女经历的事件,可以分为系统影响和非系统影响[2]。系统的非共享环境包括家庭地位(出生顺序、性别差异)、子女间的相互作用、父母对某个子女的独特教养行为等家庭内的经验,以及独特的同伴经历、朋友、教师、运动、其他活动和兴趣、教育、职业经历、配偶、家庭生活等。非系统的非共享环境则往往无法预期,常见来源有意外事故、疾病、精神创伤等其他特异的经历。

共享家庭环境的影响可用遗传无法解释的相似性来估计,如收养子女之间的相似性。非共享环境的影响则用遗传和共享环境都无法解释的方差分量来表示,一起成长的同卵双生子之间的差异就代表了非共享环境的影响。研究发现:共享环境对人格的影响极小,平均只有5%变异可归因于共享环境,可归因于非共享环境的变异则有35%[2]。也就是说,非共享环境对人格特征的影响,使得生长在同一家庭的子女彼此不同。以普洛明为代表的一些学者非常强调非共享环境的作用,即强调后天教养及个体在家庭内外的独特经验对人格发展的重要作用[8]。因此,共享环境和非共享环境的提出,为研究者在环境中考察人格提供了新的视角。

目前,行为遗传学家正试图确定非共享环境的具体来源以及它们与心理特质之间的关系。研究者认为应从评估每个儿童所经历的特殊环境入手来确定具体的非共享环境因素,即采取特殊的环境测量方法。这类研究起步较晚,其中以一项名为“非共享环境与青少年发展”(nonshared environment and adolescent development,NEAD)的研究最为著名[9]。研究发现,非共享环境并不仅限于家庭环境。当人们开始步入社会时,家庭之外的环境更可能成为非共享环境。例如,工作环境、社会支持、离婚都可能成为非共享环境的根源。其他非系统性的因素,如意外事故、疾病等也会导致子女之间的差异。随着时间的发展,此类经历的微小差异也会逐渐积累并导致行为结果上的显著差异。

2.2.2环境的测量显示遗传对人格的影响

近年来,一些心理学家在对环境的测量中发现:基因变化发生在环境的测量之中,即环境因素也具有可遗传性。教养行为表现出遗传的影响有以下两方面的原因:父母的人格等遗传特征可能会反映在他们的教养行为中;教养行为也可能会反映子女人格方面的一些遗传特征。换句话说,环境测量所以会表现出遗传的作用是因为人们会部分地由于遗传的影响而形成其个人的生活经历。这种情况被称为“教养中的先天影响”。这种影响与遗传倾向密切相关,因而在人格的行为遗传学中被称为 “基因型―环境相关”[6]。基因型―环境的相关并非指独立于个体之外的环境受到遗传的影响,而是指个体卷入经验的程度或个体接受环境影响的程度具有一定的遗传性。遗传的影响是通过被其作用着的心理特质来传递的:遗传影响着个体的心理特质,心理特质影响着个体的环境。

基因型―环境相关的发展过程有三种类型:被动的(passive)、唤起的(evocative)和主动的(active)[10]。被动的基因型―环境相关是指,当父母和子女拥有相同的遗传倾向时,提供的环境会强化这一遗传倾向。例如经常参加文体活动并且又鼓励这种活动的父母倾向于抚养喜欢文体活动的孩子。因为,孩子不仅拥有鼓励其参加文体活动的抚养环境,而且遗传了父母倾向于对这种环境做出反应的基因。唤起的基因型―环境的相关指环境对个体受遗传影响的行为所做出的反应。例如,积极的婴儿比忧郁的、消极的婴儿受到更多的注意和社会性刺激。主动的基因型―环境的相关是指个体选择能够强化自己遗传倾向的环境和伙伴的程度。例如,一个具有社交性基因的儿童愿意参加社交活动,并会选择具有社交性儿童作为伙伴。所以,不同基因类型的人会为他们自己选择不同的环境,这些环境对他们将来的个性、社会性发展有很大的影响。以上事实表明,当个体有能力选择自己的环境时,具有不同遗传基因的个体就会寻求、改变和创造不同的环境,即遗传因素会影响个体对环境的选择和改造。

总之,人格的遗传力和环境的研究使我们认识到,遗传与环境在个体人格发展中的独特作用,但后来的行为遗传学研究更强调“非共享环境”对人格发展的重要而独特的影响,这恰恰是传统的人格研究中未能涉及的方面。

2.3人格的特定遗传基因研究

人格的行为遗传学在遗传力和环境的研究中,主要探讨的是遗传―特质―环境之间的关系。但是,近年来的研究却发现,基因的变化可能是导致人类个体差异的主要原因,也就是说,应该进一步探讨基因―特质―环境之间的关系。因此,当前的任务是通过确定与人格有关的特定基因,并通过基因与环境的交互作用来了解特定基因与人格特质之间的关系,即要确定遗传基因是如何对行为产生影响的。这就是人格的行为遗传学研究最激动人心的方向之一,即运用分子遗传技术来寻找影响人格的特定遗传基因[11]。人格基因的发现将使研究者可以直接地测量个体的遗传型,从而推进对人格作更深入的遗传学分析。

遗传基因对人格所起的影响可能涉及多基因,但它们对人格的影响幅度有差异。目前,研究者运用DNA标记来寻找与复杂人格特质有关的基因(这类基因被称为定量化特质点,quantitative trait loci,简称QTLs),这些标记位于与某种特质有关的基因内部或附近。研究的目的不是要找到负责某种特定人格特质的单个基因,而是要找到能够解释该特质中某些差异的多个基因。试图将某些基因特别是那些与具有生理作用的DNA标记有关的基因与人格联系起来的做法是很有道理的。行为遗传学家采用连锁研究(lingkage studies)和关联研究(association studies)的方法来寻找与特定行为或人格特质有关的基因。连锁研究采取从行为水平到基因水平的自上而下的方法,以携带某种疾病或性状的家系为研究对象,分析几代人的DNA样本,以确定对人格特质影响较大的基因。而关联研究(也称作QTLs分析)则是自下而上的方法,即从确定与某种行为特质可能有关的基因入手,观察具有或者不具有某种行为特质的两类人群携带该基因的情况,目的是确定这些有关的或可能的侯选基因与行为特征或人格特质之间的因果关系。相对于连锁研究,关联研究更能找出只有微弱作用的基因。但由于复杂行为的侯选基因数目较多,因此,要对所有的侯选基因的意义和作用进行判断也是一件复杂而艰巨的工作。最近有研究发现[12,13],儿童的行为与单胺氧化酶(MAOA)基因有较高的相关;而5-羟色胺转运体(5-HTT)基因和应激刺激的交互作用对抑郁具有影响。

人格特定遗传基因研究的进展使得我们可以预测,未来的人格研究者将能够利用DNA标记作为研究工具。人格特定遗传基因的研究不是去发现与人格有关的DNA标记,而是要利用DNA标记作为研究工具,对与人格有关的基因进行心理水平的分析。这样才能在探讨人格的因素结构、人格与精神病的关系以及归因问题时,考察特定基因与有关心理现象是否有关联。目前,在研究方法上,行为遗传学已从传统的家系研究、连锁与关联法开始向以动物(主要是与人类基因有99%相同的老鼠)和人类为被试的多基因数量性状位点分析、模式调试生物测定(biometric model fitting)、基因调控和基因工程等方面发展。这些新的技术与方法使得研究者能够直接在动物身上操纵基因、观察基因改变对其行为的影响,并进而推测人类行为的遗传基因。实际上,许多关于人类行为的遗传学研究结果都是基于对动物的研究,包括智力、新颖寻求、攻击、成瘾行为、抑郁和神经质等异常行为。

人格的特定基因研究涉及的范围很广,包括发展问题、多变量问题、遗传―环境相互作用的问题、伦理问题等。个体差异的发展问题回答了人格差异的起源以及人格随时间的变化和连续性等问题。多变量问题是研究多特质间的共同变异,包括人格特质彼此之间及内部的关系、基因与人格之间的生物机制、人格与心理病理学之间的联系等问题。寻找并确定与人格有关的基因就是探讨本性和教养(即基因与环境)在个体人格发展中的相互作用。虽然心理学家倾向于从心理社会因素的角度考察环境的作用,但我们肯定还可以从基因的角度来探讨它。不论结果如何,正像DNA双螺旋理论的创立者沃森所说的那样:我们的命运已不存在于我们的星座中,而是存在于我们的基因中[1]。

基因―环境的交互作用是指对经验敏感性上的遗传差异。它是心理病理学的素质―应激模型(diathesis-stress model)所提出的最一般的交互作用模式:具有某种遗传风险(素质)的个体对环境因素(应激)以及环境中的机会都非常敏感[10,14]。例如,有遗传问题的人受心理社会危险性影响的可能更大。但是,到目前为止,我们对特定基因与导致行为的环境应激源之间交互作用的了解还远不及对人与环境交互作用的了解。与复杂人格特质有关的基因能够提供关于遗传素质的信息,从而有助于我们对基因―环境之间的交互作用的判断与了解。

3结束语

人格的行为遗传学研究,为传统的人格研究提供了一个新的研究方向,也为人格的遗传与环境决定论提供了新的研究途径。虽然如此,在人格的行为遗传学研究中,遗传和环境的相关和交互作用如何、遗传怎样作用于人格发展,遗传对不同人格特质之间的相互影响有怎样的作用,怎样寻找影响人格的特定遗传基因,怎样认识这些基因,怎样揭示基因作用于人格的根本机制等,这些问题都是行为遗传学在未来人格研究中必须加以回答和解决的。

参考文献

1 白云静, 郑希耕, 葛小佳, 隋南. 行为遗传学:从宏观到微观的生命研究. 心理科学进展, 2005, 13(3): 305~313

2 刘晓陵, 金瑜. 行为遗传学研究之新近展. 心理学探新, 2005, 25(2): 17~21

3 Plomin R. Environment and genes. American Psychologist, 1989, 44(2): 105~111

4 Plomin R, Corley R, Caspi A, et al. Adoption result for self-reported personality: Evidence for nonadditive genetic effects. Journal of Personality and Social Psychology, 1998, 75(1): 211~218

5 黄希庭主译. 人格手册:理论与研究. 上海: 华东师范大学出版社, 2003

6 Plomin R, Colledge E. Genetics and psychology:Beyond heritability. European Psychologist, 2001, 6(4): 229~240

7 Plomin R, Asbury K, Dunn J. Why are children in the same family so different? nonshared environment a decade later. The Canadian Journal of Psychiatry, 2001, 46(3): 225~233

8 Plomin R, Spinth F M. Intelligence: Genetics, and genomics. Journal of Personality and Social Psychology, 2004, 86(1): 112~129

9 Pike A, Plomin R. A behavioural genetic perspective on close relationships. International Journal of Behavioral Development, 1997, 21(4): 647~667

10 Plomin R, Caspi A. DNA and personality. European Journal of Personality, 1998, 12: 387~407

11 Plomin R. Behavioral genetics in the 21st century. International Journal of Behavioral Development, 2000, 24(1): 30~34

12 Caspi A, McClay J, Moffitt T E, et al. Role of genotype in the cycle of violence in maltreated children. Science, 2002, 297: 851~854

13 Caspi A, Sugden K, Moffitt T E, et al. Influence of life stress on depression: moderation by a polymorphism in the 5-HTT gene. Science, 2003, 301: 386~389

14 O′Connor T G, Caspi A, DeFries J C, et al. Genotype-environment interaction in children′s adjustment to parental separation. Journal of Child Psychology and Psychiatry, 2003, 44(6): 849~856

ON THE STUDY OF BEHAVIORAL GENETICS IN PERSONALITY

Zhang Lihua1,2, Song Fang2, Zou Qun2

(1 Research Center of Psychology and Behavior in Tianjin Normal University, Tianjin 300074; 2 School of Tian Jiabing Education,Liaoning Normal University,Dalian 116029)

Abstract

第2篇:分子遗传学中心法则范文

一、承上启下、知识串联

如何把握抽象概念的内涵和外延,使有内在联系的知识融为一体,使之系统化和条理化,这对教学过程的展开和推进至关重要。为此,在教学设计中,有意识地把彼此相关的知识串联起来,形成一条知识链,让学生回顾知识链中每个“环节”的主要内容,理解彼此关系。例如:雌、雄配子中的染色体DNA基因脱氧腺苷酸遗传信息氨基酸多肽链蛋白质性状,通过这样的一条知识链,很好地帮助学生形成清晰的思路和知识体系。学生根据知识链中每个“环节”进行发散思维,即在生物有性生殖过程中,亲代产生的配子是遗传物质传递的唯一桥梁和媒介;染色体是遗传物质的主要载体,DNA是遗传物质;每条染色体上通常有一个DNA分子(复制后有二个DNA分子);基因是控制生物性状的遗传物质的功能和结构单位,是有遗传效应的DN段,基因在传种接代中遵循遗传的基本定律;一个DNA分子有许多个的基因,它们在染色体上占有一定的位置并作线性排列,用英文字母表示;构成每个基因的是成百上千个不同的脱氧核苷酸,脱氧核苷酸不同的排列顺序,包含着不同的遗传信息;遗传信息决定氨基酸不同的排列顺序;氨基酸的不同排列顺序,决定着特定的蛋白质;蛋白质的特异性,决定着生物的各种性状。

二、资料分析法

在“中心法则”的教学中,可充分运用教材中的“资料分析”,不仅让学生了解中心法则本身,而且让学生亲身感受到科学发展过程是怎样一步一步地接近真理的。更重要的是,让他们沿着科学家的探索足迹体验了科学家探索的漫长和艰辛历程;通过引导学生对中心法则不足的再分析过程,培养了学生的批判性思维。具体诱思探究做法如下。

1.中心法则的提出

1957年,克里克提出一个猜想——中心法则:遗传信息可以从DNA流向DNA,也可以从DNA流向RNA,进而流向蛋白质。教师用PPT展示克里克头像、请学生猜出他是谁之后,再展示P68中心法则图解,请学生阅读,学生很快从情境转入新课学习。接着教师提出:克里克的猜想存在什么遗漏之处·学生阅读P69三个“资料分析”,反复分析比较,每个学生都认真去发现克里克中心法则的不足。

2.中心法则的发展

克里克是在蛋白质的合成尚未弄清楚之前预见了遗传信息的传递规律而提出中心法则。教师提出:根据“资料分析”大家认为克里克的中心法则应该做怎样修改·学生从资料中找出修改证据:(1)RNA肿瘤病毒的遗传信息流向从RNARNA;(2)致癌RNA病毒的遗传信息从RNADNA(逆转录)。学生为中心法则的修改做好了实证准备。教师又提出:你认为这些资料是否了传统的中心法则·请试着画修改后的中心法则。教师让学生参与讨论,由于实验证据指出了原有的中心法则所没有包含的遗传信息的可能途径,所以大多数学生持否定观点,最后师生形成共识:实验证据是对原有中心法则的补充而非否定。教师请部分小组代表在黑板补充画出遗传信息的传递途径,师生共同评价。为了巩固知识,教师还应及时引导思考:中心法则中碱基互补配对具体体现在哪些环节·学生回答:中心法则的5个过程都遵循碱基互补配对原则。

由于中心法则对教师的知识要求较高,教师要想全面深入地让学生理解中心法则,还需要进一步参考相关资料,如逆转录过程、RNA复制过程和尚未解决的疯牛病问题等。但这些问题不作为本节课的必学要求,教师可参照相关资料酌情处理。本节课主要是要求学生明白遗传信息流向的途径有:(1)从DNA流向DNA(DNA自我复制);(2)从DNA流向RNA,进而流向蛋白质(转录和翻译);(3)从RNA流向RNA(RNA自我复制);(4)从RNA流向DNA(逆转录)。其中,第(1)、第(2)条是中心法则的主要体现,第(3)、第(4)条是对中心法则的完善和补充。可用图1综合表示:

三、实例分析、揭示本质

关于基因、蛋白质和性状的关系的内容比较复杂,也较抽象,若直接由教师讲述,学生难以理解。如果从遗传现象的实例入手,分析其本质原因,让学生自己来总结三者间的关系,则更易突破难点。基因控制性状是通过控制蛋白质合成来实现的,这里要注意充分运用两类遗传现象的实例来说明。一类是类似豌豆的圆粒与皱粒、白化病和侏儒症等实例,说明基因通过控制酶或激素的合成来控制细胞代谢过程,从而控制生物性状;另一类是类似囊性纤维病、镰刀型贫血症等实例,说明基因通过控制结构蛋白的合成,从而直接控制性状。

实例分析:学生阅读教材P69相关内容。教师通过PPT展示豌豆的圆粒与皱粒、白化病实例,请学生说出基因是如何控制这些性状的。

例1:豌豆的圆粒和皱粒。

例2:白化病。

白化病是一种较常见的皮肤及其附属器官黑色素缺乏所引起的疾病。这类病人通常是全身皮肤、毛发、眼睛缺乏黑色素,表现出怕光等行为。人类的肤色就是由黑色素的含量多少决定的。即:酪氨酸酶基因酪氨酸黑色素。

教师提问:由这两个实例大家可以总结出什么共同点·部分学生用自己的语言尝试总结,教师做一些引导性的介入或者修正。

结论:这些基因通过控制酶的合成控制代谢过程,从而间接实观对生物性状的控制。

例3:囊性纤维病。

囊性纤维病病是北美白种人中常见的一种遗传病,主要表现为汗液中氯离子的浓度升高,支气管被异常的黏液堵塞,常于幼年时死于肺部感染。研究表明:其病因是一个跨膜蛋白(CFTR蛋白)的基因缺失了3个碱基,导致合成的CFTR蛋白的结构受影响。

例4:镰刀型细胞贫血症。

正常人的红细胞呈中央微凹的圆饼状,而镰刀型细胞贫血症的患者的红细胞是弯曲的镰刀状。(学生观察P80图5-1)这样的红细胞容易破裂,使人患溶血性贫血,严重时会导致死亡。即:控制血红蛋白形成的基因中有一个碱基对改变血红蛋白的结构发生变化红细胞呈镰刀状容易破裂,患溶血性贫血。

教师提问:大家再总结一下,这两个病例有什么共同点·学生发表不同的意见和观点,教师倾听学生的回答,提醒学生使用生物学术语。结论:基因通过控制结构蛋白的合成,从而直接控制性状。

小结:生物的形态、结构和生理等方面的性状主要是由蛋白质体现的,蛋白质的合成又受基因的控制。所以生物的性状是由基因控制的。

由此可见,基因控制性状是通过控制蛋白质的合成来实现的。

第3篇:分子遗传学中心法则范文

关键词:混合遗传算法;车辆路径选择,远亲交叉策略

中图分类号:U27文献标识码:A

遗传算法简称GA(Genetic Algorithm)是一种模拟自然界中遗传和选择机制的寻找最优解的方法。他的基本原理源自达尔文的生物进化论和盂德尔的基因学说。遗传算法模拟自然界的遗传,变异和进化法则,逐步修订解决问题的方案使之接近完美。

遗传算法的优势在于将搜索过程作用在编码后的字符串上.不直接作用在优化问题的具体变量上,这样可以绕过复杂的数学推演而采用最直接的方式在有限的结果集中搜索更优的结果。遗传算法通过设定一个初始种群,即一个预设的结果。并对这个初始种群进行基因突变和杂交,留下好的基因,改变不好的基因,使种群不停的进化,最后得到一组最优的或趋进于最优的结果,给人更大的选择余地。遗传算法有很好的易修改性和可并行性,在处理大规模复杂问题上更有优势。

但普通的遗传算法存在“早熟”问题,即容易收敛于局部最优解,在自然界中远亲具有更好的遗传优势,本文据此理论改进车辆路径选择问题中的遗传算法,并以有车载限制单配中心VRP的求解加以说明。这种交叉策略虽然使遗传算法的收敛速度稍有减缓,但使算法具有很好的求解性能。具体步骤如下:

(1)混合遗传算法的编码规则

应用遗传算法求解的首要问题是对所求问题解的编码。一个解的编码称为一个染色体,组成编码的元素称为基因。混合遗传算法采用路径编码方法。每个染色体由区间「1,m+n-1中互不相同的自然数序列构成,其中n为客户数目,m为运输车数量,前面1~n为客户编号,n+1~n+m-1表示配送中心。例如,若有3辆运输车和12个客户,则一个染色体为{2,1,3,13,5,4,6,10,14,8,7,9,11,12},其中13,14表示配送中心以区分开3辆车所运输的客户编组。三辆车的配送路径分别为:第一辆车:配送中心21 3配送中心;第二辆车:配送中心54610一配送中心;第三辆车:配送中心8 7 911 12配送中心。

(2)客户编号

由于车辆行驶路径的迂回将大大增加目标函数式的值,为减少迂回造成行驶路径的增加,混合遗传算法将根据客户的位置对客户按方向编号:首先任意取一个客户并将其编号为1,然后以配送中心为极点、以配送中心和该客户的连线为极轴将所有客户的平面坐标转化成极坐标,最后以各客户的极角大小对客户依次进行编号。基于客户的编号,混合遗传算法将对车辆的行驶方向进行优化,从而尽量使车辆按一定的方向行驶。

(3)构造个体产生初始种群

由于初始种群的多样性将影响遗传算法的求解性能,因此,为了使初始种群具有较好的多样性,混合遗传算法采用以下3种方式依次产生一部分个体来构成初始种群(其中K为种群大小)。它们之间没有任何联系,可以看作是远亲关系。

首先分别以每个客户为起始点,按客户编号顺序即极角顺序遍历一周,在遍历所得的客户序列中,按约束条件把表示配送中心的基因(即n+1,n+m-1)插入到序列中,构成一个个体。这样可以产生n个个体,为子种群一。

然后重复(K-n)/2次以下操作,产生(K-n)/2个个体组成子种群二:随机产生n个区间[[1,n]上互不重复的自然数序列,然后按约束式把n+1,-n+m-1插入到序列中,构成一个个体。若该个体满足所有约束,则该个体为有效个体,否则为无效个体,重新产生该个体。

最后使用贪心算法产生剩下的(K-n)/2个个体,为子种群三。即以配送中心为起点,选择一个距其近、没有车辆提供服务且将其加入路径后约束式能满足的客户加入路径,然后以该客户为起点继续以上操作。若以上客户不存在,且还有未加个体的客户,则插入配送中心,并以配送中心为起点重复以上操作。若所有客户均已加入个体,则一个个体构造完成。

(4)适应度函数。

本文研究的单配送中心VRP问题的目标函数是关于最短路径的,一般来说,若目标函数为最小问题,适应度函数可以建立为:

(1-1)

式中Cmax为f(x)的最大估值。

(5)交叉、选择与变异。

在交叉个体的选择上,简单遗传算法通常直接采用随机选择两个个体进行交叉操作。这种交叉操作很大程度上导致了早熟现象的发生。混合遗传算法基本思想是:在选择交叉个体时,要求两个个体之间有一定的距离以保持种群的多样性,本例中以上述3个子种群相互交叉。选定两个交叉位置将每个个体分成三个部分,首先交换两个个体的中间部分;然后分别在第一部分和第三部分删除己经在中间部分出现的基因;最后,从另一个个体的第一个基因位置开始,依次选取未在该个体中出现的基因插入到该个体的第一部分末尾和第三部分的开头,以保持个体的第一部分和第二部分长度不变且每个客户在个体中只出现一次。例如:对个体324 | 5768| 19和514 | 8372 | 96(“|”表示交叉位置),则交叉后形成的两个个体分别是456 | 5372 | 19和143 | 5765 |29。

以上交叉操作中,交叉个体的选择策略可以很好地解决简单遗传算法的早熟问题。但是,它会使种群进化速度减慢,导致算法执行时间增加。为了解决这一问题,混合遗传算法采用优良个体保存策略,即在产生下一代种群时,将上一代种群中一定数量的较优个体直接复制到下一代种群中。由于在种群进化早期,种群的多样性较好,可以复制较多的优良个体到下一代种群中,而到种群进化后期,种群逐渐收敛,复制较多的优良个体会使种群快速趋向单一化,因此可以复制较少的优良种群到下一代种群中。为此,混合遗传算法中定义的优良个体数函数,如(3-2 )式所示。

(1-2)

其中:P为初始设定的优良个体占种群中总个体数的百分比,K为种群大小,i为进化代数。第0代向第1代种群中复制P×K个体。当lni>1时,[P× K/lni]小于P×K,因此,随着进化代数逐渐增加,lni逐渐减小,直到每代仅复制一个优良个体到下一代种群。

第4篇:分子遗传学中心法则范文

一、“假说――演绎法”概述

1.“假说―演绎法”的基本内涵

“假说―演绎法”是现代科学研究中常用的一种科学方法,它是在观察分析的基础上提出问题以后,通过推理和想象提出解决问题的假说,根据假说进行演绎推理(形成推论),再通过实验检验演绎推理的结论(推论)。如果实验结果与预期结论相符,就证明假说是正确的;反之,则证明假说是错误的。

科学假说是科学理论发展的思维形式,是人们根据已知的科学事实,以已经掌握的科学原理为指导,对未知的自然现象及其规律性,经过一系列的思维过程(往往要运用分析和综合、归纳和演绎、类比及想象等思维方法和研究方法,对已有的经验材料进行加工),预先在自己头脑中作出的假定性解释。就其组成而言,包含已知事实和推测性假定两种基本成分。假设通过这两种成分的搭配明确问题解决途径,在条件与结果之间建构设想。

假说是通向科学理论的必要环节。科学研究和科学理论的主要任务是试探性地对已有的经验和事实作出解释,并对未来的经验和事实提出预测。作为一种正确的假说,不仅能够解释已有的实验结果,还应必须能够预测另一些实验结果。即除了解释性条件,还必须有预见性条件。如果由假说作出的科学预见得到实际的证实,那么就标志着假说已经转化为理论。就假说能否解释已知事实与能否预见未知事实相比而言,后者是假说具有真理性的更有力的证明,当然更能作为假说是否能转化为理论的鲜明标志。假说必须经过科学实践的检验才能发展为科学理论。观察、实验所检验的常常不是假说本身,而是假说的推论,即从该假说中逻辑地推导(演绎)出来的描述个别现象或事件的推论。当然,对假说的实践检验过程是很复杂的,不能单靠一两个实验来说明问题。

2.“假说――演绎法”的作用

就思维过程的方法论而言,观察――归纳和假说――演绎都是重要的科学思维方法,从近代科学到现代科学,以观察(实验)――归纳为主的方法逐渐让位给以假说―演绎为主的方法。这是因为现代科学从总体上来说,已经不是处在经验材料的收集阶段,而是处于高度的理论概括和演绎的阶段。由于数学、计算机科学等工具学科的发展,人们能够凭借这些工具提出假说,然后演绎出理论体系或具体推论,再通过观察和实验来检验。“假说――演绎法”被认为是构造科学理论的理想方法,也被一些人看做科学知识增长的基本模式。牛顿创立光的颜色理论的过程、爱因斯坦的广义相对论的提出和验证的过程、凯库勒提出苯分子的环状结构等,都是“假说――演绎法”的典型案例。

二、“遗传与进化”模块中“假说――演绎法”的教学素材

“假说――演绎法”的典型性教学素材是孟德尔用豌豆做一对相对性状的杂交实验。通过实验,他观察到了F1代并没有像人们预期的那种表现出两个亲本的性状,而只是表现出一个亲本的性状,但F2代中表现为性状分离。孟德尔正是观察到F2代出现性状的分离,并且比例为3:1,他提出了显性性状和隐性性状的概念,并且提出了显性遗传因子和隐性遗传因子的假设,用以解释产生性状分离现象的原因。孟德尔提出的遗传因子假说的构成如图1所示。

图1 遗传因子假说的构成

在当时条件下,孟德尔不可能用显微观察法直接证明他的假设,只能借助于实验法证明由假说演绎出的推论。孟德尔根据遗传因子假说进行演绎推理,并设计测交实验对推理过程及结果进行验证见图2。

图2 假说的演绎推理与验证

测交实验不能直接验证遗传因子假说本身,而是验证由遗传因子假说演绎出的推论,即如果遗传因子决定生物性状的假说是成立的,那么根据假说可以对测交实验结果进行理论推导和预测。然后,将实验获得的数据与理论推导值进行比较,如果二者一致说明假说正确的,如果不一致则证明假说是错误的。

当然,对假说的实践检验过程是很复杂的,不能单靠一两个实验来说明问题。事实上,孟德尔做了很多实验都得到了相似的结果,后来又有数位科学家做了许多与孟德尔相似的观察,大量的实验都验证了孟德尔假说的真实性之后,孟德尔假说最终发展为遗传学的经典理论。

“遗传与进化”模块中“假说――演绎法”的教学素材还包括:基因与染色体关系的探究历程;DNA分子结构、复制方式及中心法则的提出与证实;遗传密码的破译等等。

“假说――演绎法”不仅是经典遗传学研究的一种重要方法,而且在现代遗传学的发展历程中发挥了重要的作用。因此,高中生物课标准在生物2“遗传和进化”模块中要求学生领悟“假说――演译法”是十分正确的。

三、“假说――演绎法”的教学策略

孟德尔的豌豆杂交实验是高中生物学教学的经典内容。现以孟德尔一对相对性状的杂交实验为例,对“假说――演译法”的教学提几点建议。

1.模拟孟德尔的实验过程,理解“假说”内涵

很多教师在孟德尔的豌豆杂交实验的教学时,往往喜欢单刀直入,直接深入基因分离定律的本质,即减数分裂中基因随染色体的分离而分离,这种讲授方式确实能促进学生对基因的分离定律的本质的认识和理解,但学生分析问题、形成假说和进行推理的能力并没有得到训练和提高,特别是“假说――演绎”的科学方法没有得到学习和训练。

通过“模拟性状分离的杂交实验”,帮助学生认识和理解等位基因的分离和配子的随机结合与性状之间的数量关系,促进对孟德尔提出的“假说”的理解。本模拟实验的教学关键是做好两件事:(1)确保实验操作规范以得到合理的结果;(2)引导学生分析认识模拟实验结果与孟德尔解释的关系,认同孟德尔解释的合理性。关于确保实验操作的规范性问题,主要是教师对教学的组织,以及采用各小组实验数据汇总的方式,就可以得到合理的实验结果;关于引导学生分析模拟实验结果与孟德尔解释的关系问题,需要在教学中抓住以下四个关键问题:物品模拟的是什么?操作模拟什么?随机取出并组合代表着配子的随机结合;对模拟实验结果的统计结果与孟德尔单因子杂交实验结果进行对比等。

通过模拟孟德尔的提出问题、进行分析、形成假说、演绎推理、设计测交实验,这是对科学发现史的再现,既是思维能力和科学方法的训练,也是深入理解科学知识的一种重要途径。

2.剖析孟德尔的科学研究思路

表3孟德尔的研究过程与“假说――演绎法”思路的对应关系

通过表3帮助学生理清孟德尔的科学研究思路。同时,引导学生剖析假说的构想过程。例如,孟德尔提出遗传因子在生物的体细胞中是成对存在的,并且显性遗传因子对隐性遗传因子具有显性作用,是基于哪些实验现象做出的假设?控制隐性性状的遗传因子在F1代体细胞中消失了吗?为什么子二代中隐性性状又出现了?学生自然会联想到F1自交后代中出现了隐性性状,所以在Fl体细胞中必然含有隐性遗传因子;而Fl表现的是显性性状,因此F1体细胞中的遗传因子应该是Dd,并且显性遗传因子对隐性遗传因子具有显性作用。隐性状之所以在子二代又出现了,是因为在F1细胞中D与d保持各自的独立性,没有相互混杂和融合;当F1产生配子时成对的遗传因子彼此分离,分别进入不同的配子中,当含有d的雌雄配子相遇时就会出现隐性性状。如此剖析假说的构想过程有利于学生思维的磨炼、智慧的增长,消除了他们对假说的神秘感。

3.分析“测交”实验,认识“演绎”本质

演绎是在假说的基础上所做的一种逻辑推理,让学生理解孟德尔研究过程中的哪个步骤是演绎则是教学中的难点。

教学时首先介绍孟德尔选用F1与隐性纯合子进行的测交实验,再让学生根据孟德尔的假说进行演绎推理,对测交实验结果作出预测,并画出相应的遗传图解。然后向学生呈现孟德尔的测交实验结果,引导学生尝试根据测交后代的表现型及其比例,推知F1的配子种类及其比例,进而推知F1的基因组合方式及其遗传行为,从而掌握科学的测交验证方法,并明确孟德尔设计的测交实验实际上检验的是推论,即根据假说对测交实验所进行演绎得到的:杂合子生成配子时具有相对性状关系的遗传因子(等位基因)分离这一论题;也就是教材中提到的测交实验结果所要证实的推论:F1究竟是不是杂合体(Dd)如果是杂合体,生成配子时具有相对性状关系的遗传因子(等位基因)果真分离吗?

4.留给学生更多思考的时间与空间

第5篇:分子遗传学中心法则范文

  关键词:遗传算法;易算算法;数术记遗;历法推步术;内算;外算

 calculation in genetics and that in image-number school of  yi 

li shu-qing

(earthquake publishing house, beijing 100081, china)

abstract:  the paper at first pointed out that the ideology basing on human life and emphasizing life development in i ching learning is consistent with the spirit of the rising western genetics calculation methods. secondly, the paper introduced late expert in scientific i ching learning, mr. pan yu-ting's understanding on genetic code, and then introduced the content and structure of the western genetic calculation, regarding dna-in-itself as the hard ware for calculation, the numbers in yi the soft ware. at last, the paper made a contrast between the image-number thinking of  i ching learning and that of genetic calculation, and put forward the concept of space illustrated by the 8 tri-grams.

key words:  genetic calculation; calculation by yi numbers; calculation in calendar; internal calendar; external calculation

 

一、引    言

    从伏羲画卦到《连山》易的出现,即有象的观念,数已开始萌芽,数与筮联系即有筮数,主要用于占卜。春秋时期,“象”和“数”同时出现在《管子·七法》篇中:“则,象,法,化,决塞,心术,计数。”但象数在春秋初期仍是两个松散联系的概念。到春秋末期,象与数的概念联系比较密切,在《周易·系辞传》中提到“极数定象”,已初步出现象数理论。这时,《系辞传》中只初步论及象数的内在联系,并未详细谈到象数理论的程序。孔子在教书时六艺教学大纲“礼乐射御书数”中的数,是当时日常用的实用数。到孟子时代,即到战国末期,象数理论乃大备,历法推步术也成熟。当时的不少学者会推步术,而星命学为孟、荀二位大儒所不齿。孟子所说的“苟求其故,千岁之日至可坐而致也”,是谈的历法推步术;荀子说:“善为易者不占”。这时,在古算经算法和历法推步术之外,已有经典术数如“三式”等的出现和应用。这两类数的算法,在后汉徐岳《数术记遗》中有提要式的概括总结。对其中提出的14种算法,没有明确指出何者为历法推步术算法,何者为术数算法程序。亦可能是综合的、浑元一体的算法程序。总的看来,有数必有算,有算必有法。形成古算经算法和术数算法是很自然的。在古代可能有互补的趋势。《周易》大衍之数很可能与古六历所用的算法程序有关。唐代张遂的大衍历以及宋秦九韶《数书九章》均涉及大衍算法,而秦汉时期的《九章数学》中则对大衍算法避而不谈。这可能是由于古代大儒亦是视大衍之数带有神秘内容,不敢与正规的应用数学算法相提并论。实际上,大衍之数只是一种现代所说的“不定分析”而已!阮元论曰:“推步之法至大衍备矣,……后来算造者未能及也。然推本易象,终为傅合,昔人谓一行窜入于《易》以眩众,是乃千古定论也”。[1]由此可知,就算法而论,推步术自为推步术,数术自为数术,各成系统,不相涉也。然而,这并不意味着数术算法程序中无合理内容。英人李约瑟常提到术数“内算”很有用。[2]但未作深入探究。宋秦九韶《数书九章》序中论内外算,涉及经典术数三式,其论颇正:“今数术之书尚三十余家,天象历度,谓之缀术。太乙壬甲谓之三式,皆曰内算,言其秘也。九章所载即周官九数,系于方圆者为镚术,皆曰外算,对内而言也。其用相通,不可歧二”。[3]以上所论均涉及数字信息。

    21世纪已成为信息时代,信息与象数息息相通。故《系辞传》象数思维应当在今后大放光芒,与西方计算机文化成就携手并进,逐渐融汇成一体。《周易·系辞传》“天地之大德曰生”,“生生之谓《易》”,强调生命演化思想;卦爻的设置上采取乾坤六子的形式,这都与西方新近兴起的遗传算法的精神与具体计算步骤内容相近。

二、遗传密码与象数

    近些年来,国内外对于科学易感兴趣的学者,无不重视生物遗传密码的研究成果,并展开《周易》象数与遗传密码细部结构对比的探讨。这方面,尤以已故著名科学易学家潘雨廷教授的研究具有代表性。潘先生博古通今,既深钻过象数理论,又熟悉分子生物学和遗传密码的生物化学含义,他在“科学易”一文中以dna(脱氧核糖核酸)和rna(核糖核酸)为例,来考察其分子结构的变化情况,及其化学键的“象数”。[4]讨论结果如下表所示(暂略):

    为了使读者深入理解象数与生物遗传学及遗传密码的对应关系,有必要将有关科学名词加以扼要的解释:

  1、遗传密码: dna(脱氧核糖核酸)中核苷酸顺序和蛋白质中的氨基酸顺序之间的关系称为遗传密码。遗传密码是由碱基的三联体(相当于《易经》八卦的三爻),可在dna分子上顺序读出,且互不重迭)。dna是一切生命形式的普遍遗传物质。dna有四种不同的碱基:两种嘌呤,即腺嘌呤和鸟嘌呤,以及两种嘧啶,即胸腺嘧啶和胞嘧啶。dna的结构呈双螺旋结构形式。

    由三联体密码重迭,可形成与六十四卦相对应的符号系统。这并非出自偶然,而是自然物的发生和演化合乎易数的自组织作用造成的。潘雨廷教授在《周易纵横录》论文中已作了详细的象数论述,可以参看。

   2、核苷酸:上述四种碱基之一与脱氧核糖结合,叫作核苷。核苷的磷酸酯衍生物称之为核苷酸。dna分子是由核苷酸构成的,许多单元接在一起就形成了多核苷酸长链。

     3、核糖核酸(rna):rna和dna一样,都是长链分子,亦是由重复的核苷酸单元组成。rna的构成单元有两点与dna不同。首先,rna的糖组分不是脱氧核糖,而是核糖。其次,四种碱基中虽然有三种,即腺嘌呤、鸟嘌呤和胞嘧啶,在rna和dna中都一样。但第四种,即胸腺嘧啶,在rna中为尿嘧啶所代替,它少了一个甲基。在三种rna类型的一种类型中,还偶尔出现别的碱基。

    4、信使核糖核酸(mrna):〖htss〗mrna在把密码翻译成专一性蛋白质时起模板作用,并且能把遗传密码的信息从细胞核的dna运送到细胞质,以便促进合成蛋白质的作用。携带着所需要的信息,以决定一个蛋白质分子的整个多肽链的mrna的长度,称为作用子。某些mrna分子携带着不仅合成一个蛋白质分子的信息,这样的mrna称为多作用子。在合成过程中,当密码由dna转录到mrna上时,后者即离开细胞核,通过核膜进到细胞质中。在细胞质中它移动到蛋白质合成的场所,即转移到核糖核蛋白体处。核糖核蛋白体由dna和蛋白质组成。

  5、转移核糖核酸(trna):〖htss〗其作用是把细胞质中的氨基酸转移到核糖核蛋白体上蛋白质合成的场所。因此,trna是在特定氨基酸与对它编码的mrna三联体之间起媒介物或转接分子的作用。每个氨基酸都有其互不相同的、专一的trna分子。每种trna含有大约80个核苷酸。

  6、反密码子:trna分子上与mrna连接的一定部位是一个由三个碱基组成的顺序,与mrna上的密码子互补,称为反密码子。

   7、简并密码:试验表明,虽然任何特定氨基酸密码子的开始两个字母总是不变,然而第三个字母有时却不同。例如,编码丝氨酸的不仅是agu,也有agc。因此,crick 1966年提出“摇摆”假设,这种摇摆在于第三对碱基之间的配合与前两对碱基的精确要求相比多少有些松弛。凡是同一个氨基酸有不同的密码者,这种密码称为简并密码。

三、遗传算法概要

    在遗传算法中,可以将模型的一个参数表示为一个二进制数码,全部参数用许多串联在一起的二进制数码组成的字符串(类似一个染色体)代表。从一组初始模型,即一些具有不同染色体的个体组成的种群开始。[5]

    遗传算法的基本思想正是基于模仿生物界的遗传过程。它把问题的参数用基因代表,把问题的解用染色体代表(在计算机里为字符串),从而得到一个由具有不同染色体的个体组成的群体。这个群体在问题特定的环境里生存竞争,适者有最好的机会生存和产生后代。后代随机化地继承了父代的最好特征,并也在生存环境的控制支配下继续这一过程。群体的染色体都将逐渐适应环境,不断进化,最后收敛到一族最适应环境的类似个体,即得到问题最优的解。值得注意的一点是,现在的遗传算法是受生物进化论学说的启发提出的,这种学说对我们用计算机解决复杂问题很有用,而它本身是否完全正确并不重要(目前生物界对此学说尚有争议)。

    遗传算法的基础思想是在本世纪50年代初,由于一些生物学家尝试用计算机模拟生物系统演化时而提出的。

    遗传算法是模拟生物通过基因的遗传和变异,有效地达到一种稳定的优化状态的繁殖和选择的过程,从而建立的一种简单而又有效的搜索方法。它运用随机而非确定性的规则对一族而非一个点进行全局而非局部地搜索,它仅利用目标函数而不要求其导数或其它附加限制,它虽然在特定问题上效率也许不是最高,但效率远高于传统随机算法,是一种普遍适用于各种问题的有效方法。遗传算法的主要思路有:

    1、繁殖(reproduction):繁殖是根据现有各个体的目标函数值,确定其生存概率,模拟生物界的自然选择,劣者淘汰,适者生存。在遗传算法中,我们人为地保持种群包含的个体总数不变。比较优秀的个体(模型)有较大的生存概率,并可能繁衍,比较差的个体(模型)可能会淘汰。这样产生的下一代的个体,一般都具有较大目标函数值,因而有较大的生存概率。

    2、交配(crossover):从种群中随机地选择两两一组的双亲,分别随机地交换部分染色体,各自产生两个新染色体。

    3、变异(mutation):染色体按一定概率(一般很小)可随机地产生变异。

    遗传算法能够解决的问题不仅限于最优化问题,但无论哪种问题,都要解决两个关键问题:(1)必须能将问题的解答用一组二进制数码表示,即建立解答与二进制数码间的映射(mapping)关系。(2)定义一种对最佳解的定量量度,即适度函数。

四、自然dna“计算机”的“硬件”与软件——象、数

    算盘由木框、竹棍、算珠构成,其各类珠算口诀和规则是计算程序。算盘建立了一个珠算空间;易算卦爻,杭辛斋称之为卦材、爻材,相当于易算硬件,《系辞传》所论“八卦成列,象在其中矣”,是八卦空间。《序卦》所论相当于宏观程序。“蓍之德圆而神,卦之德方以智”等有关卦爻功能的论述,相当于基因染色体数的作用。

    遗传算法所取法的自然dna的“硬件”(象)经生物化学家多年进行的dna结构分析的研究,相当 图1 dna四种碱基糖环系统及其原子标准指数(暂略)于高分子结构式所表示的原子结构。[6]具体化到dna,则是双链螺旋结构的形象。dna的参数有化学边界距离(以旋转角度表示),边界角(两相邻化学边界间的夹角),扭力角(dna螺旋的扭转角度,0~360°)。然而,前二者是常量。只有扭力角是时常变动的变量。遗传算法主要利用扭力角变量。今将遗传算法所取法的象数——碱基结构式及dna中轴(只表示一个核苷酸单位)扭力角分布等叙述如下:

    图1表示dna四个碱基系统及其原子标准指数,图2(暂略)上部表示基本环,其扭力角为χi,其下表示糖环,其扭力角为p(i),γn(i),碱基系统的全过程是自由的,原则上沿单个化学边界“摆动”,就这样与dna糖环连接起来。意即基本环与糖环沿公共边界而“摆动”。这种摆动可能是在传递信息。沿化学界面在糖环上的内循环扭力角χ在空间上受到制约,因为糖环需要闭合。已发现每一核苷酸单位都有八个主要结构参数:χ,νm,p,α,β,γ,ε,ζ(2),〖jp〗这八个参数都限制在一个有限的距离内,原则上,扭力角α,β,γ,ε,ζ(2)及χ位于0~360°之间;δ是中轴和糖环的一部分,这里把δ叫做ν3,δ是一种冗余信息。p,νm距离可以推导出。典型的距离分别是150°~225°,25.0°~50.0°(距离用扭力角变化值表示)。如果dna的8个结构参数已知,则排列位置已知的dna,包括其中所含的n个核苷酸即可完全确定。

    dna探针:这种探针(图3)(暂略)在探测环境信息方面,从最原始的单细胞生物变形虫原生质中就存在其原始形态。这种探针机构随宇宙和生物演化而逐渐变得复杂起来。瑞士学者方迪《微精神分析学》一书把这种探针式的尝试作用叫做“伊德”。[7]“伊德”在心理学界受到重视。dna的探针是一种复杂的综合体,在生物分子结构研究方面享有广泛的盛名,称之为dna探针级的研究。探针综合体一部分是由于其核苷酸自补偿作用而出名的。dna探针由一个双链杆和一个环组成。探针最重要的部分是这个环。探针在演化过程中非常守恒(稳定),因此具有重要的生物功能。探针形成于细菌噬菌体最原始的重复功能。dna染色体组存在有复杂的相互作用。这种作用能被其他生物分子所识别、利用,亦可由原生质来识别。

    dna相当于一个微观世界,其细部结构和功能远未认识到。可以预料,它作为遗传算法的自然样板,其有用信息,取之不尽,用之不竭。要想改进遗传算法,一定要先取得自然dna的新探索成就。最近对dna的假结点的观测,对dna三叉结构的观测就属于这方面的新探索。dna双链结构相当于太极生两仪,两仪生四象,一分为二的浑沌二分叉结构。将来对dna三叉结构的认识可能引导到对《太玄经》一分为三,中医“三阴三阳”的认识。这并非遥远的呓想,可能是不久的事情了。

五、易算程序问题

    易学象数理论自战国形成后,由于社会制度与士大夫意识形态的原因,易数不能走西方公理化的道路。徐岳《数术记遗》积算、太乙算、九宫算都有比较独立的算法。其余不一定有独立的算法。其中提出的14种算法是:积算,太一算,两仪算,三才算,五行算,八卦算,九宫算、运筹算,了知算,成数算,把头算,龟算,珠算,计算(心算)。对每种算法的叙述,只有三言两语,看不出所以然。迄今尚未有人作深入研究。原因是“文献不足故也”。要想恢复14种算法的原样,只有走到基层农民和隐居型的知识分子那里作调查。可惜多少年来无人问津,所以困惑一直未解。我认为调查重点主要是山东半岛蓬莱,镠罘沿海一带山区农村。

    《九章数学》“寓理于术”,文中的“术曰”会有算法理论和程序背景。[8]现在唯一可了解的就是珠算算法,此已有全国珠算学会在研究。其中不少口诀规则,堪称算法。可从此入手以及从历代历法推步术的演化中追索易算算法。古有《缀术》,为南北朝祖冲之所创,用于五星的推步(宋秦九韶《数书九章》第三卷天时类有“缀术推星”章)。《缀术》在《算经十书》中有名无书,书已失传。

    总之,恢复古代易算程序的研究是一大课题。南京大学天文系朱灿生教授曾拟研究恢复缀术。究竟古代易算详细内容如何,尚待考证恢复。秦汉前后出现的三式(太乙、六壬、奇门)经典术数的推演中可能有易算算法程序的影子。其中既含科学因素,又有不少神秘内容,今后应作开发研究。

六、象数思维与遗传算法的比较

    本人研究科学易多年,研究遗传算法已有七、八年,迄今已初步得出易的象数思维基本上等价于遗传算法的性质与功能的初步看法。所谓象数思维主要是包含在孔子及其弟子所作的《易传》中,且主要是《系辞传》。经对比发现,无论用自然遗传过程,生物演化观念,整体观或根据实际观测来认识自然,在问题优化,生物遗传基因交配、变异,以及在溯往和预测问题上都表现了象数思维与遗传算法的相似性。《诗经·小雅》说:“唯其有之,是以似之。”意即两种事物相似的根本原因是二者之间有共同的东西。这亦是《内经》“贤者察同,愚者察异”之意。今将二者比较如下:

  1.遗传算法(以下用ga简写表示)和《易》都重视生命现象,特别是遗传过程。《系辞传》说“生生之谓易”,“天地之大德曰生”。

  2.ga和《易》都重视演化,重视从混沌到有序的观念,而认为确定不变的存在是暂时的。实际上,ga和《易》都有逼近论思想。

  3.二者都有整体观思想:ga用相当染色体的种群(population)数作为基础,用相当基因的二进制数串输入计算机运算。所用数的设计都是一个集合,而不是用单个数。易算用大衍之数50(虚一不用)作为演算基础,亦是整体观。

  4.二者都是以实际观测为研究根据。ga是西方实测方法的继续,自不待言。伏羲氏是根据仰观俯察、远取近取进行比较后而画八卦的,不是凭空臆造。

  5.ga以求得问题优化解见长。孔子谓《易》是寡过之书,趋吉避凶之书,从广义上看也是一种优化。元吉(大吉)为全局优化,吉或悔而后吉是局部优化。 特别是《易》有《既济》、《未济》二卦作为纲领卦。《既济》乃优化的结果,《未济》也设法使其转变,向《既济》发展,很多卦爻辞字里行间,多有此意。

  6.二者重事物之间的相互作用和关系。ga用交配来表达此意,《易》则以“天地镮,万物化醇,男女构精,万物化生”;“天气下降,地气上腾”(《礼记·月令》)来表示。

  7.二者均重视质变,ga谓之变异,《周易·系辞传》则说:“穷则变,变则通。”

  8.二者均涉及数学空间的理论和应用。ga常用结构参数空间,《易》则有八卦空间:“八卦成列,象在其中矣”;“乾坤成列而易立乎其中矣”。

  9.《系辞传》说:“神以知来,智以藏往”。ga既能探索已往解决问题,又能用于地震预报。

        ga的作者提出算法的改进问题,主要是深入挖掘dna结构的潜力。而东方思维则有“巢居知风,穴居知雨”的说法,这种说法是科学的,即鸟类和昆虫类(如蚂蚁)均有预测天气变化的功能。如能开发鸟类和蚂蚁体内信息大分子结构奥秘,可以用以改进ga算法的功能。

    附注:已故学者刘绍光一元数理论的研究是根据易学象数发展出的一种易算数学分支。这一分支后继乏人或无人。关于一元数理论已出版《一元数理论初探》[9]一书,其中不少与ga有相通之处,如其中提出的位元、序元、结元三个计算程序理论概念,以及磁子、电子、声子、光子、热子、引子、张子等开阖角的问题。均可与ga相互作用,而创造新的算法。

  参考文献: [1] (汉)徐岳.数术记遗[m].阮元.畴人传[z].光绪海盐常惺斋刊本.[2] (英)李约瑟.中国科学技术史:第三卷(数学)[m].北京:科学出版社,1978.《中国科学技术史》翻译小组译.

[3] 秦九韶.数书九章[m].宜稼堂丛书[z].民国商务印书馆《丛书集成》本.

[4] 潘雨廷.科学易[a].唐明邦.周易纵横录[c].武汉:湖北人民出版社,1986.

[5]  d.e.goldberg genetic algorithms in search, optimization, and machine learning. addison-wesley publishing company. inc.new york. 

[6] van nostrand reinhold 1991.haudbook of genetic algorithms p251~280.(1

8. a genetic algorithm for conformational analysis of dna, written  by c.b.lucasius.etc.) published by van nostrand reinbold, new york. 

第6篇:分子遗传学中心法则范文

关键字:频率分配 遗传算法 GECP 组合优化

1.

通信网频率分配问题的背景

无线通信设备之间通过相互发射电磁波达成信息沟通。相互通信的设备之间使用特定的频率(信道)构成无线通信链路。由于电磁波的自然特性,无线通信设备发射的电磁波可能对位于附近、满足一定功率和频率条件的其它设备形成干扰。频率分配(FAP)的目的就是给工作在一定地域内的无线通信设备指定使用的工作频率(或信道),使所有设备都以尽量小的概率被干扰,从而使整个网络的可用性得到优化。FAP可以描述为:对N个给定的待分配工作频率的链路,设G={S1,S2,…Sn}为所有状态构成的解空间,C(si)为状态si对应的目标函数值,寻找最优解s*,使任意si∈G,C(s*)=min C(si)。因此FAP是一种组合优化问题。

具体设备频率分配方法虽然会随着设备的工作方式(单工、双工)、工作频段、天线类型、信号的调制解调方式的不同而有所区别,但是大部分频率分配算法都可以转换为等价的图的边着色问题。从图论算法理论上讲,图的广义边着色问题是NPC问题[7],也就是说无法在多项式时间内求得问题的最优解。例如对于存在n条边的无向图,使用c种颜色对其着色,在没有其它约束条件下,其解空间是cn。即使在不考虑颜色重复使用(c>n)的情况下,其解空间也达到n!。这两者都是超越数,在c和n的值较大的情况下想利用穷举搜索的方法求得问题的最优解在时间上是不可行的。

在工程实践中许多NPC问题使用一些使用的近似算法得到问题的可行解。这些方法包括[]:只对问题的特殊实例求解;动态规划(DP)或者分支界限算法(BC);概率算法;求近似解;启发式算法(Heufistic Algorithms)等。这些方法的和核心是分割问题的解空间,按照特定规则搜索典型解作为次最优解。

对于FAP问题国内外许多学者进行了深入的研究,提出许多解决问题的方法。文献[4]在对FAP进行理论分析的基础上给出了几种常用算法的框架,这些算法包括:最小-最后次序查找算法,贪心T着色算法、模拟退火算法(SA)、列表寻优算法(TS)、遗传算法(GA)、神经网络(NN)多面体算法等,并指出各种算法有各自的适用范围;文献[2]提出了利用启发式的蚂蚁算法,并对解决CELAR、GRAPH、PHILADELPHIA上的几类问题同TS和SA算法进行了比较;文献[1]比较了SA、TS、GA、VDS(variable –depth search)、BC等算法的性能。文献[7]利用GECP理论对存在禁用频率的异频双工设备的频率分配给出工程上的实用算法;文献[9]则采用了BC方法频率分配的全排列算法进行了优化。本文将探讨如何遗传算法解决FAP问题。

2.

遗传算法在频率分配问题中的适用性

2.1 遗传算法的原理

遗传算法(Genetic Algorithms GA)是根据生物学上的染色体基因因子构成机制而产生的。1975年Holland教授首次提出了GA的思想,从而吸引了大批的研究者,迅速推广到优化、搜索、机器学习等方面。遗传算法是一种全局优化算法,其仅以目标函数值为搜索依据,通过群体优化搜索和随机执行基本遗传运算,实现遗传群体的不断进化,适合解决组合优化问题和复杂非线性问题[6]。

利用遗传算法解最优化问题,首先应对可行域中的点进行编码(一般采用二进制编码),然后在可行域中随机挑选一些编码组成作为进化起点的第一代编码组,并计算每个解的目标函数值,也就是编码的适应度。接着就像自然界中一样,利用选择机制从编码组中随机挑选编码作为繁殖过程前的编码样本。选择机制应保证适应度较高的解能够保留较多的样本;而适应度较低的解则保留较少的样本,甚至被淘汰。在接下去的繁殖过程中,遗传算法提供了交叉和变异两种算子对挑选后的样本进行交换。交叉算子交换随机挑选的两个编码的某些位,变异算子则直接对一个编码中的随机挑选的某一位进行反转。这样通过选择和繁殖就产生了下一代编码组。重复上述选择和繁殖过程,直到结束条件得到满足为止。进化过程最后一代中的最优解就是用遗传算法解最优化问题所得到的最终结果。

实践表明,遗传算法解最优化问题的计算效率比较高、适用范围相当广。为了解释这一现象,Holland给出了模式定理。所谓模式,就是某些码位取相同值的编码的集合。模式定理说明在进化过程的各代码中,属于适应度高、阶数低且长度短的图式的编码数量将随代数以指数形式增长[6]。最近的研究则表明,上述遗传算法经适当改进后对任意优化问题以概率1收敛于全局最优解[5]。

2.2 遗传算法的基本结构

在遗传算法中,将问题的求解的过程,看成一个在候选解空间寻找满足问题要求的解或近似解的搜索过程。遗传算法的重点在适应规划和适应度量方面。遗传算法的适应规划用于指导算法怎么样在空间进行搜索,一般采用遗传算子(或称遗传操作)诸如交配(Crossover)和变异(Mutation)等,以及模拟自然过程的选择机制,采用计算适应值的方法来评估一个候选解的优劣。

遗传算法求解问题的基本步骤可以描述如下:

1. 首先生成一组初始的候选解群体(假设为N个候选解个体),称为第0代;

2. 计算群体中各个候选解的适应值;

3. 如果有候选解满足算法终止条件, 算法终止,否则继续4;

4. 根据交配概率,将候选解群体中的个体随机两两配对,进行交配操作以生成新的候选解;

5. 根据变异概率,对4中生成的候选解群中的每个个体进行变异操作;

6. 使用选择机制形成新一代候选解;转2。

GA算法具有下述特点: GA是对问题参数的编码组进行,而不是直接对参数本身;GA的搜索是从问题解的编码组开始搜索,而不是从单个解开始;GA使用目标函数值(适应度)这一信息进行搜索,而不需导数等其他信息;GA算法使用的选择、交叉、变异这三个算子都是随机操作,而不是确定规则。

遗传算法通过编码和遗传操作,达到了处理的并行性,可以同时处理群体中的多个个体,即同时对搜索空间内的多个解进行评估,具有较好的全局搜索性能,减少了限于局部最优解的风险。

3.

遗传算法用于频率分配

3.1 算法的基本流程

采用遗传算法的FAP基本流程

3.2 遗传算子的选择

3.2.1 选择算子

选择算子在父代群体中选出父体和母体。生物界中,父母亲素质比较高的其后代素质高的概率也大。模拟这种现象,在FAP中选择算子采用轮赌算法实现。

轮赌算法流程如下:

sum=0; i=0;

wheelpos=rand()*sumfitness;

for(sum

i++;

if(i≥pop-size)

sum=0; i=0

wheelpos=rand()*sumfitness;

j=rand()*pop-size;

sum+=fitness[j];

return j;

3.2.2 交叉算子

交叉算子让父体和母体互相交换某部分基因而产生下一代个体的雏形,起全局搜索的作用。交叉算子通常有单点交叉、双点交叉、多点交叉等等。在频率自动分配的算法中,为了不破坏基因段内部频点间的关系,采用单点交叉和双点交叉比较合适。此外,在生物界中并不是两个个体相遇了就一定会结合,模拟此现象,引入交叉因子pc。

其基本流程如下:

//flip函数中,产生一个0到1的随机数,若小于pc,则返回1,否则返回0

if(flip(pc))

crossover1(mother,father);

else if(flip(pc))

crossover2(mother,father);

else

copy(mother);

copy(father);

3.2.3 变异算子

变异算子对后代个体的某些基因进行变异,起局部搜索的作用.生物界中,父母的染色体交叉后产生后代个体的染色体雏形,这个雏形在成长过程中会发生基因的变异,正是这种变异使得下一代的群体中会出现各种特征的个体.另外,生物界中并非每个基因都会变异,模拟此现象,引入变异因子pm,使用方法与交叉因子类似。

其基本流程如下:

while(all frequentpoint)

{

if(flip(pm)) mutate(frequentpoint);}

4.

工程上需要注意的问题

4.1 初始候选种群

由于遗传算法和其它启发式算法一样,不对全部解空间进行穷举搜索,因此初始的候选解群体的选择会对得到最终解的速度和质量有影响。初始的候选解群体在解空间内分布得越均匀,它们拥有的遗传基因就越有代表性。实践中采用文献[7]的GECP得到以各个顶点为主顶点的可行解作为初始候选种群。

4.2 编码方案

编码就是用一种数字排列方案来表示问题的解的方法,利用编码将问题的解空间映射到GA算法的编码空间。编码方案的选择依赖于问题的性质,并影响到算法内操作的设计,是影响算法性能的重要因素。常见的编码方案有二进制编码、十进制编码、实数编码等。频率分配问题适合采用十进制编码方案,每个码表示一条通信链路,码值表示分配的信道编号。

4.3 适配值函数

适配值函数对个体(频率分配方案)进行评价,也是优化过程发展的依据。可以采用如下方式来计算适应度:

fitness=1000 / Σ (pri×seperate(Freq))。

其中:

pri 是节点的加权值;

函数seperate(Freq)是节点中各条链路发频率同其它链路的收频率间隔的和;

参考文献

[1] Robert A.Murphey, Panos M. Pardalos etc, Frequency Assignment Problems, Handbook of combinatorial optimization, Kluwer Academic Publishers,1999

[2] Vittorio M., Antonella C., An ANTS Heuristic for the Frequency Assignment Problem, csr.unibo.it

[3] Joe Bater, Peter Jeavons, David Cohen, Are there optimal reuse distance constraints for FAPs with random Tx placement?, CSD-TR-98-01, CS Royal Holloway Uni. Of London,1998

[4] K.I Aardal, C.A.J. Hurkens, J.K. etc. Algorithms for Freequency Assignment Problems,CWI Quarterly,Vol9(1&2) ,1996

[5] 王凌: 《智能优化算法及其应用》清华大学出版社 2001

[6] 陈国良等:《遗传算法及其应用》人民邮电出版社 1996

[7] 孙俊柏:禁用频点、频段下野战通信网的频率分配 中国科学技术大学硕士学位论文 1998

第7篇:分子遗传学中心法则范文

关键词:遗传算法;空间句法;句法变量;重要性特征

中图分类号:TP311 文献标识码:A 文章编号:1009-3044(2013)31-7073-05

空间句法是一种通过对包括建筑、聚落、城市甚至景观在内的人居空间结构的量化描述,来研究空间组织与人类社会之间关系的理论和方法[1]。在一个大的空间区域中总有一块子区域能够代表该区域的经济、文化、政治的整体表象。在国内,传统的确定区域中心的方式是利用地图上标注的区域内政治中心,比如省会城市是省区域内的中心,市政府周边也会成被定为该市区域空间的区域中心。而在当今社会生产关系与生产力的关系复杂多变,不能单一的以政治中心来评定或预测区域中心。而且区域中心分析与预测对很多商家获取更大利益有着决定性的作用,比如肯德基、麦当劳等餐饮企业的选址问题也可以归类到空间句法分析中。该文是利用遗传算法的思想结合空间句法中对空间关系的特征的描述设计适应度函数在大区域环境中获取集成度较高的区域中心子空间。

1 空间句法分析描述

空间句法是建筑学领域中关于空间图形分析的相关技术和理论。空间句法理论通过量化的方法描述建筑、群居聚落、大中小城市以及景观等人居环境中的空间结构以期研究空间组织与我们人类所处的社会之间关系的理论。空间句法理论是由伦敦大学巴利特学院的比尔·希列尔(Bill Hillier)等人发明的。空间句法理论的基本观点认为:任何一个城市系统都由两部分组成,即空间物体和自由空间。空间物体主要是建筑物,而自由空间是指由空间物体隔开的、人可以在其中自由活动的空间。空间可以被认为是由元素组成,可以进行网络分析,最终以地图和图形呈现出来。因为空间句法认为空间是按照某种规则自行排列的,可以分划的,所以它常被用于大型图书馆,博物馆,道路交通,城市规划等。

提到空间句法理论就不得不谈论“构形”这一概念。所谓的空间句法中的构形是指空间各部分或各元素之间关系组成外形的轮廓。如希列尔所述,构形的实质是一组相互独立的关系系统,且其中每一关系都决定于其他所有的关系。构形的存在无关乎物质的形态,是一种普遍存在的关系现象。

1.2 构形概念以及定量描述

构形是一种普遍存在的现象。很多有形的物质形态,甚至是语言等非物质形态,当我们将其作为关系系统看待时,都会发现其构形的存在。

本文所描述的构形是描述空间关系的一些特征值,正是这些特征值来权衡该子空间是否是区域中心,构形通过关系图解来描述[2]。

2 遗传算法简介

2.1遗传算法概念

遗传算法(GA)是一种基于自然群体遗传演化机制的算法,它模拟自然界生物进化过程,采用人工进化的方式对目标空间进行随机化搜索。它将问题域中的可能解看作是群体的个体,并将个体编码成符号串形式(即染色体),模拟生物进化过程,对群体反复进行交叉、变异、选择等操作,根据预定的适应度函数对每个个体进行评价,依据优胜劣汰的进化规则,不断得到更优的群体,同时搜索优化群体中的最优个体,求得满足要求的最优解[4-8]。

GA采用一定的编码技术构造染色体(个体),而基因是组成染色体的单元,可以表示为一个二进制位,一个整数或一个字符等。染色体表示待求解问题的一个可能解,由若干个基因组成,是GA操作的基本对象。而一定数量的个体组成了种群,表示GA的搜索空间。在GA的执行过程中,每一代有许多不同的种群个体同时存在。根据这些个体对环境的适应能力来决定下一代的个体,适应性强的有更多的机会被选择保留下来。适应性强弱是通过适应度函数f(x)的值来判别的,适应度函数f(x)的构成与目标函数有密切关系,往往是目标函数的变种。

2.2遗传算法特征选择

遗传算法特征选择的基本原理是用遗传算法寻找一个最优的二进制编码,码中的每一位对应一个特征,若第i 位为“1”,则表明对应特征被选取,该特征将出现在分类器中,为“0”,则表明对应特征未被选取,该特征将不出现在分类器中。其基本步骤为:

1) 编码。采用二进制编码方法,二进制码的每一位的值,“0”表示特征未被选中; “1”表示特征被选中。也可采用字符编码,如’A’代表一个子空间。

2) 初始群体的生成。随机产生N 个初始串构成初始种群,通常种群数确定为50 ~ 1000。

3) 适应度函数。适应度函数表明个体或解的优劣性。针对特征选取问题,适应度函数的构造非常重要,它主要依据类别的可分性判据以及特征的分类能力。适应度函数的有效性将直接决定遗传算法的搜索方向和进化结果[10]。

5) 将适应度最大的个体,即种群中最好的个体无条件地复制到下一代新种群中,然后对父代种群进行选择、交叉和变异等遗传算子运算,从而繁殖出下一代新种群其它n-1个基因串。通常采用转轮法作为选取方法,适应度大的基因串选择的机会大,从而被遗传到下一代的机会大,相反,适应度小的基因串选择的机会小,从而被淘汰的机率大。交叉和变异是产生新个体的遗传算子,交叉率太大,将使高适应度的基因串结构很快被破坏掉,太小则使搜索停止不前,一般取为0. 5 ~ 0. 9。变异率太大,将使遗传算法变为随机搜索,太小则不会产生新个体,一般取为0. 01 ~ 0. 1。

5) 如果达到设定的繁衍代数,返回最好的基因串,并将其作为特征选取的依据,算法结束。否则,回到(4)继续下一代的繁衍。

3 基于遗传算法的空间拓扑区域中心分析

3.1适应度函数的设计

显然,特征重要性指标平均值越大表明特征所选择的特征分类能力越强,同时平均值以上的特征重要性指标之和也反映了所选择特征的重要性。因此所构建的适应度函数I 反映了所选择特征的分类能力。其中指数n 的作用是平衡特征重要性指标平均值FAVG和大于FAVG的特征重要性指标和SF。通常取为2~5本文选取n的值为 2。

适应度函数是遗传算法中一个重要指标,用它来选择种群的个体特征并保证种群的多样性。

3.2实际问题仿真

本文选取的仿真实例是结合实际场景。空间句法分析具体应用于城市规划的具体设计之中。任意一块区域内,或多或少有他的中心区域。另外,某些区域因其他要素的介入而晋升为新的中心区域,这对空间规划有着积极作用[12]。

4 总结

本文是围绕“基于遗传算法的空间句法分析”展开,首先介绍了遗传算法的概念和解决问题的一般方式;其次介绍了空间句法分析的关键方式 — 定量分析空间与空间之间的关系。遗传算法用来解决实际问题的关键因素之一是适应度函数的设计。该文依据特性分析概念,经过一系列的计算获得子区域在整个空间区域中的重要性值。可以依据重要性值来评判该子区域是否是区域中心。

遗传算法中对随机性的要求较高,其中在算法设计的过程中多次需要产生一组不能重复的随机数。算法设计的难点是适应度函数的设计,程序设计的难点在于种群中的交叉、和变异操作上。因为要排除交叉基因块在种群个体中重复个体会加大计算量。此外,实践表明如果基底空间的个数小于20的时候,算法能够收敛到一个稳定的较优解。

参考文献:

[1] Bafna S. Space syntax: a brief introduction to its logic andanalytical techniques. Environment and Behavior, 2003,35 (1):17-29.

[2] 张愚,王建国. 再论“空间句法”[J].建筑学报,2009.

[3] 陈果.遗传算法特征选取中的几种适应度函数构造新方法及其应用[J].机械科学与技术,2011,30(1):125-131.

[4] 卓晓军.智能信息处理[M].北京:电子工业出版社,2010.

[5] Batty M, Rana S. Reformulating Space Syntax: The Automatic Definition and Generation of Axial Lines and Axial Maps. Working Paper 58, Centre for Advanced Spatial Analysis[D] .University College, London, Sep.2007

[6] Conroy R D. Spatial navigation in immersive virtual environment[D]. PH.D dissertation, University of London. 2009.

[7] Dalton N. S, Peponis J, Dalton R, To tame a TIGER one has to know its nature: Extending weighted angular integration analysis to the description of GIS road-centerline data for large scale urban analysis. Proceedings of the 4th International Space Syntax Symposium, London. Jun. 2003.

[8] 陈国良,王法,庄镇泉. 遗传算法及其应用[M] .北京:人民邮电出版社,1996.

[9] 肖建华.智能模式识别方法[M].广州: 华南理工大学出版社,2006.

[10] 张莉.基于K-均值聚类的无监督的特征选择方法[J].计算机应用研究,2005,( 3).

第8篇:分子遗传学中心法则范文

关键字:频率分配 遗传算法 gecp 组合优化

1. 通信网频率分配问题的背景

无线通信设备之间通过相互发射电磁波达成信息沟通。相互通信的设备之间使用特定的频率(信道)构成无线通信链路。由于电磁波的自然特性,无线通信设备发射的电磁波可能对位于附近、满足一定功率和频率条件的其它设备形成干扰。频率分配(fap)的目的就是给工作在一定地域内的无线通信设备指定使用的工作频率(或信道),使所有设备都以尽量小的概率扰,从而使整个网络的可用性得到优化。fap可以描述为:对n个给定的待分配工作频率的链路,设g={s1,s2,…sn}为所有状态构成的解空间,c(si)为状态si对应的目标函数值,寻找最优解s*,使任意si∈g,c(s*)=min c(si)。因此fap是一种组合优化问题。

具体设备频率分配方法虽然会随着设备的工作方式(单工、双工)、工作频段、天线类型、信号的调制解调方式的不同而有所区别,但是大部分频率分配算法都可以转换为等价的图的边着色问题。从图论算法理论上讲,图的广义边着色问题是npc问题[7],也就是说无法在多项式时间内求得问题的最优解。例如对于存在n条边的无向图,使用c种颜色对其着色,在没有其它约束条件下,其解空间是cn。即使在不考虑颜色重复使用(c>n)的情况下,其解空间也达到n!。这两者都是超越数,在c和n的值较大的情况下想利用穷举搜索的方法求得问题的最优解在时间上是不可行的。

在工程实践中许多npc问题使用一些使用的近似算法得到问题的可行解。这些方法包括[]:只对问题的特殊实例求解;动态规划(dp)或者分支界限算法(bc);概率算法;求近似解;启发式算法(heufistic algorithms)等。这些方法的和核心是分割问题的解空间,按照特定规则搜索典型解作为次最优解。

对于fap问题国内外许多学者进行了深入的研究,提出许多解决问题的方法。文献[4]在对fap进行理论分析的基础上给出了几种常用算法的框架,这些算法包括:最小-最后次序查找算法,贪心t着色算法、模拟退火算法(sa)、列表寻优算法(ts)、遗传算法(ga)、神经网络(nn)多面体算法等,并指出各种算法有各自的适用范围;文献[2]提出了利用启发式的蚂蚁算法,并对解决celar、graph、philadelphia上的几类问题同ts和sa算法进行了比较;文献[1]比较了sa、ts、ga、vds(variable ?depth search)、bc等算法的性能。文献[7]利用gecp理论对存在禁用频率的异频双工设备的频率分配给出工程上的实用算法;文献[9]则采用了bc方法频率分配的全排列算法进行了优化。本文将探讨如何遗传算法解决fap问题。

2. 遗传算法在频率分配问题中的适用性

2.1 遗传算法的原理

遗传算法(genetic algorithms ga)是根据生物学上的染色体基因因子构成机制而产生的。1975年holland教授首次提出了ga的思想,从而吸引了大批的研究者,迅速推广到优化、搜索、机器学习等方面。遗传算法是一种全局优化算法,其仅以目标函数值为搜索依据,通过群体优化搜索和随机执行基本遗传运算,实现遗传群体的不断进化,适合解决组合优化问题和复杂非线性问题[6]。

利用遗传算法解最优化问题,首先应对可行域中的点进行编码(一般采用二进制编码),然后在可行域中随机挑选一些编码组成作为进化起点的第一代编码组,并计算每个解的目标函数值,也就是编码的适应度。接着就像自然界中一样,利用选择机制从编码组中随机挑选编码作为繁殖过程前的编码样本。选择机制应保证适应度较高的解能够保留较多的样本;而适应度较低的解则保留较少的样本,甚至被淘汰。在接下去的繁殖过程中,遗传算法提供了交叉和变异两种算子对挑选后的样本进行交换。交叉算子交换随机挑选的两个编码的某些位,变异算子则直接对一个编码中的随机挑选的某一位进行反转。这样通过选择和繁殖就产生了下一代编码组。重复上述选择和繁殖过程,直到结束条件得到满足为止。进化过程最后一代中的最优解就是用遗传算法解最优化问题所得到的最终结果。

实践表明,遗传算法解最优化问题的计算效率比较高、适用范围相当广。为了解释这一现象,holland给出了模式定理。所谓模式,就是某些码位取相同值的编码的集合。模式定理说明在进化过程的各代码中,属于适应度高、阶数低且长度短的图式的编码数量将随代数以指数形式增长[6]。最近的研究则表明,上述遗传算法经适当改进后对任意优化问题以概率1收敛于全局最优解[5]。

2.2 遗传算法的基本结构

在遗传算法中,将问题的求解的过程,看成一个在候选解空间寻找满足问题要求的解或近似解的搜索过程。遗传算法的重点在适应规划和适应度量方面。遗传算法的适应规划用于指导算法怎么样在空间进行搜索,一般采用遗传算子(或称遗传操作)诸如(crossover)和变异(mutation)等,以及模拟自然过程的选择机制,采用计算适应值的方法来评估一个候选解的优劣。

遗传算法求解问题的基本步骤可以描述如下:

1. 首先生成一组初始的候选解群体(假设为n个候选解个体),称为第0代;

2. 计算群体中各个候选解的适应值;

3. 如果有候选解满足算法终止条件, 算法终止,否则继续4;

4. 根据概率,将候选解群体中的个体随机两两配对,进行操作以生成新的候选解;

5. 根据变异概率,对4中生成的候选解群中的每个个体进行变异操作;

6. 使用选择机制形成新一代候选解;转2。

ga算法具有下述特点: ga是对问题参数的编码组进行,而不是直接对参数本身;ga的搜索是从问题解的编码组开始搜索,而不是从单个解开始;ga使用目标函数值(适应度)这一信息进行搜索,而不需导数等其他信息;ga算法使用的选择、交叉、变异这三个算子都是随机操作,而不是确定规则。

遗传算法通过编码和遗传操作,达到了处理的并行性,可以同时处理群体中的多个个体,即同时对搜索空间内的多个解进行评估,具有较好的全局搜索性能,减少了限于局部最优解的风险。

3. 遗传算法用于频率分配

3.1 算法的基本流程

采用遗传算法的fap基本流程

3.2 遗传算子的选择

3.2.1 选择算子

选择算子在父代群体中选出父体和母体。生物界中,父母亲素质比较高的其后代素质高的概率也大。模拟这种现象,在fap中选择算子采用轮赌算法实现。

轮赌算法流程如下:

sum=0; i=0;

wheelpos=rand()*sumfitness;

for(sum<wheelpos && i<pop-size)

i++;

if(i≥pop-size)

sum=0; i=0

wheelpos=rand()*sumfitness;

j=rand()*pop-size;

sum+=fitness[j];

return j;

3.2.2 交叉算子

交叉算子让父体和母体互相交换某部分基因而产生下一代个体的雏形,起全局搜索的作用。交叉算子通常有单点交叉、双点交叉、多点交叉等等。在频率自动分配的算法中,为了不破坏基因段内部频点间的关系,采用单点交叉和双点交叉比较合适。此外,在生物界中并不是两个个体相遇了就一定会结合,模拟此现象,引入交叉因子pc。

其基本流程如下:

//flip函数中,产生一个0到1的随机数,若小于pc,则返回1,否则返回0

if(flip(pc))

crossover1(mother,father);

else if(flip(pc))

crossover2(mother,father);

else

copy(mother);

copy(father);

3.2.3 变异算子

变异算子对后代个体的某些基因进行变异,起局部搜索的作用.生物界中,父母的染色体交叉后产生后代个体的染色体雏形,这个雏形在成长过程中会发生基因的变异,正是这种变异使得下一代的群体中会出现各种特征的个体.另外,生物界中并非每个基因都会变异,模拟此现象,引入变异因子pm,使用方法与交叉因子类似。

其基本流程如下:

while(all frequentpoint)

{

if(flip(pm)) mutate(frequentpoint);}

4. 工程上需要注意的问题

4.1 初始候选种群

由于遗传算法和其它启发式算法一样,不对全部解空间进行穷举搜索,因此初始的候选解群体的选择会对得到最终解的速度和质量有影响。初始的候选解群体在解空间内分布得越均匀,它们拥有的遗传基因就越有代表性。实践中采用文献[7]的gecp得到以各个顶点为主顶点的可行解作为初始候选种群。

4.2 编码方案

编码就是用一种数字排列方案来表示问题的解的方法,利用编码将问题的解空间映射到ga算法的编码空间。编码方案的选择依赖于问题的性质,并影响到算法内操作的设计,是影响算法性能的重要因素。常见的编码方案有二进制编码、十进制编码、实数编码等。频率分配问题适合采用十进制编码方案,每个码表示一条通信链路,码值表示分配的信道编号。

4.3 适配值函数

适配值函数对个体(频率分配方案)进行评价,也是优化过程发展的依据。可以采用如下方式来计算适应度:

fitness=1000 / σ (pri×seperate(freq))。

其中:

pri 是节点的加权值;

函数seperate(freq)是节点中各条链路发频率同其它链路的收频率间隔的和;

参考文献:

[1] robert a.murphey, panos m. pardalos etc, frequency assignment problems, handbook of combinatorial optimization, kluwer academic publishers,1999

[2] vittorio m., antonella c., an ants heuristic for the frequency assignment problem, /china/">中国科学技术大学硕士学位论文 1998

第9篇:分子遗传学中心法则范文

每个人都想自己的下一代不仅能继承自己的优点,而且最好还比自己更加棒。然而,在过去,这只能是完美主义者的梦想。对于有遗传病的夫妇来说,别让后代因遗传而得到自己致命的疾病基因就已经阿弥陀佛了。有的父母面对刚生下来就有某种先天缺陷的宝宝,更是心如刀割。“设计婴儿”这一概念的提出,如同上帝传来的福音,让有遗传病基因的父母也可以拥有健康美丽的宝宝,那些健康父母更可以在这个基础上追求完美,让自己的宝宝成为世界NO.1。

婴儿如何被设计?

其实这并不难,原理是利用植入前遗传检测技术对胎儿进行检查,当卵子成功地在体外受精形成胚胎后,在其分裂成4个或8个细胞时取出一个进行检测,看看有没有单基因和染色体疾病,若含有遗传缺陷就直接去除,只将健康胚胎植入母体内继续发育,这样生出来的婴儿就可免除将来患遗传病的痛苦。

设计婴儿应该不算是2005年的新鲜事,早在2001年,首例设计婴儿就已经在美国芝加哥面世了。那时候的技术,仅可以测出所怀的胚胎是否含有遗传病,至于婴儿头发或眼睛的颜色,还没有达到可以选择的程度。但对于含有利弗劳梅尼(L1-Fraumenl)综合症基因的那对夫妇来说,这已经让他们很满足了。芝加哥生育遗传研究所主任弗林斯基说,胚胎植入前的基因诊断意味着,不会把已发现带有遗传突变的胚胎放进子宫发育,并可以避免被迫中止怀孕。如今,这个健康的小宝宝已经4岁了,在漫长的人生中,他再也不会受到利弗劳梅尼综合症的影响而患上白血病之类的致命疾病。实乃可喜可贺!

本来是科学的一大进步,也是改进人种的一件好事,却遭到很多人的非议,而非议的立足点则来自对传统道德伦理的维护。设计婴儿的伦理之争

反对者所持的理由是,当携带致病基因的人长到发病年龄时,医学又前进了30年,到时很可能会开发出相应的治疗方法。现在这种对早期胚胎进行遗传检测的方法,不是治疗,而是消灭那些潜在的遗传病患者,这本身是有违医学宗旨和伦理道德的。

有的父母因为头一胎的孩子不幸地患上贫血症,需要从另一名相配的捐赠者那里移植干细胞。目前治疗地中海贫血、白血病的有效方法是造血干细胞移植术,一般人与人之间HLA配型成功率不过几万分之一,但同胞HLA配型成功率高达25%。“兄弟姐妹们的救世主”就这样横空出世了。他们出生的目的就是用自己的脐带血救助患病的哥哥姐姐。而在他们出生前,却要经过医生们的精心挑选,只有符合要求的才能植入母体体内;那些依然有遗传病的受精卵,将被取消出生的资格。

认为受精卵就是一个生命体的人,坚决反对这一项目的合法化。他们认为,如果一个生命的诞生就是为了拯救另一个生命的话,已经有点不人道了。况且,有几十个“不合格’’的生命起不了救命作用就被悄悄地处死,就更加不符合伦理道德了。

今天的政府还是从人的切身利益出发,政策向先进的科技那边倾斜。毕竟,想要一个健康的宝宝是每一个人的天性;从胚胎未成型之前就遏制潜在的缺陷或疾病,也是为了宝宝免受皮肉之痛的良苦用心;而既能治好哥哥的病,又能拥有健康的弟弟,父母医生们何乐而不为呢?

真正的问题是,医学家预言,将来父母们还可以随心所欲地设计宝宝的性格、肤色和眼睛的大小等,这一点让伦理学家觉得,自然法则被破坏了。

设计婴儿在中国

相关热门标签