回交的遗传学效应范文1
关键词：智能组卷 随机组卷算法 回溯组卷算法 遗传组卷算法
一、 随机组卷算法
随机选取法根据状态空间的控制指标，由计算机随机的抽取一道试题放入试题库，此过程不断重复，直到组卷完毕，或已无法从题库中抽取满足控制指标的试题为止。该方法结构简单，对于单道题的抽取运行速度较快，但是对于整个组卷过程来说组卷成功率低，即使组卷成功，花费时间也令人难以忍受。尤其是当题库中各状态类型平均出题量较低时，组卷往往以失败而告终。
实现随机组题必须保证所随机产生的数据不能重复。因此，在开发系统时一般利用SQL语句实现随机的算法及其产生的优化随机算法。采用SQL语句中NewID（）可以解决好每抽一道题进行一次循环判断，而且提高运行中大量的资源空间利用率，运行速度较高，NewID（）语句是使数据库中的数据信息随机排序，然后按一定的题数，从数据库中读取试题。
用SQL语句随机访问则不需要循环判断，它只是在数据库中的表中数据随机重排后读取，因此速度相对很快。但用SQL语句则不能灵活地对多个表联合随机读取，而用VC语言则可以实现不同表的数据读取。因此，采取用SQL语句和VC语句混合编程算法则可以大大提高执行速度，并满足灵活性的需要。
二、回溯组卷算法
对于具有完备约束集D的一般问题P及其相应的状态空间树T，利用T的层次结构和D的完备性，在T中搜索问题P的所有解的回溯法可以形象地描述为：
从T的根出发，按深度优先的策略，系统地搜索以其为根的子树中可能包含着回答结点的所有状态结点，而跳过对肯定不含回答结点的所有子树的搜索，以提高搜索效率。具体地说，当搜索按深度优先策略到达一个满足D中所有有关约束的状态结点时，即“激活”该状态结点，以便继续往深层搜索；否则跳过对以该状态结点为根的子树的搜索，而一边逐层地向该状态结点的祖先结点回溯，一边“杀死”其儿子结点已被搜索遍的祖先结点，直到遇到其儿子结点未被搜索遍的祖先结点，即转向其未被搜索的一个儿子结点继续搜索。
在搜索过程中，只要所激活的状态结点又满足终结条件，那么它就是回答结点，应该把它输出或保存。由于在回溯法求解问题时，一般要求出问题的所有解，因此在得到回答结点后，同时也要进行回溯，以便得到问题的其他解，直至回溯到T的根且根的所有儿子结点均已被搜索过为止。
在用回溯法求解问题，也即在遍历状态空间树的过程中，如果采用非递归方法，则我们一般要用到栈的数据结构。这时，不仅可以用栈来表示正在遍历的树的结点，而且可以很方便地表示建立孩子结点和回溯过程。
回溯试探法是将随机选取法产生的每一状态类型记录下来，当搜索失败时释放上次记录的状态类型，然后再依据一定的规律（正是这种规律破坏了选取试题的随机性）变换一种新的状态类型进行试探，通过不断的回溯试探直到试卷生成完毕或退回出发点为止，这种有条件的深度优先算法，对于状态类型和出题量都较少的题库系统而言，组卷成功率较好，但是在实际应用时发现这种算法对内存的占用量很大，程序结构相对比较复杂，而且选取试题缺乏随机性，组卷时间长，后两点是用户无法接受的。
三、遗传组卷算法
遗传算法是一种并行的、能够有效优化的算法，以Morgan的基因理论及Eldridge 与Gould间断平衡理论为依据，同时融合了Mayr的边缘物种形成理论和Bertalanffv一般系统理论的一些思想，模拟达尔文的自然界遗传学：继承（基因遗传）、进化（基因突变）优胜劣汰（优的基因大量被遗传复制，劣的基因较少被遗传复制）。其实质就是一种把自然界有机体的优胜劣汰的自然选择、适者生存的进化机制与同一群体中个体与个体间的随机信息交换机制相结合的搜索算法。运用遗传算法求解问题首先需将所要求解的问题表示成二进制编码，然后根据环境进行基本的操作：selection，crossover，mutation……这样进行不断的所谓“生存选择”，最后收敛到一个最适应环境条件的个体上，得到问题的最优解,其主要步骤如下：
第一步：编码：GA在进行搜索之前先将解空间的解数据表示成遗传空间的基因型串结构数据，这些串结构数据的不同组合便构成了不同的点。
第二步：初始群体的生成：随机产生N个初始串结构数据，每个串结构数据称为一个个体， N个个体构成了一个群体。GA以这N个串结构数据作为初始点开始迭代。
第三步：适应性值评估检测：适应性函数表明个体或解的优劣性。不同的问题，适应性函数的定义方式也不同。
第四步：选择：选择的目的是为了从当前群体中选出优良的个体，使它们有机会作为父代为下一代繁殖子孙。遗传算法通过选择过程体现这一思想，进行选择的原则是适应性强的个体为下一代贡献一个或多个后代的概率大。选择实现了达尔文的适者生存原则。
第五步：交换：交换操作是遗传算法中最主要的遗传操作。通过交换操作可以得到新一代个体，新个体组合了其父辈个体的特性。交换体现了信息交换的思想。
第六步：变异：变异首先在群体中随机选择一个个体，对于选中的个体以一定的概率随机地改变串结构数据中某个串的值。同生物界一样，GA中变异发生的概率很低，通常取值在0.001~0.01之间。变异为新个体的产生提供了机会。
综上所综, 随机组卷算法对于纯单道题的抽取运行速度较快，能很好地控制试卷中试题难度的分布情况；回溯算法对于状态类型和出题量都较少的题库系统而言，组卷成功率较好，遗传组卷算法与前两种相比，具有良好收敛性、极高鲁棒性和广泛适用性的优化方法，一般来说，用户在自动组卷时会对试卷的质量提出多方面的要求，如总题量、平均难度、题型比例、章节比例、重点章节比例、知识点的交叉与综合等，自动组卷就应最大程度的满足用户的要求，适应性更强，效率更高，效果更好。
参考文献：
[1]王小平，曹立明.遗传算法——理论、应用与软件实现[M].西安：西安交通大学出版社，2002.1.123～140
回交的遗传学效应范文2
关键词： 遗传算法； 适应度； 组卷； 种群多样性； 伪并行
中图分类号：TP181 文献标志码：A 文章编号：1006-8228（2014）07-37-03
Abstract： There exist problems of slow convergence speed and premature convergence in genetic algorithm， making it hard to meet the inspection requirements. Hence the block coding， and segmented evolution strategy are adopted in many algorithms in order to reduce the complexity of the algorithm， and improve the performance of the algorithm. However， none of them can realize composing test paper piecewise. The performance of the algorithm is failed to fundamentally be improved. To solve the above problems， a method of pseudo-parallel group volume is proposed. Test paper is composed individually， and assembled into a complete test paper. It meets the demand of the users. Experiments show that this method can greatly speed up the convergence and improve the quality of composing test paper.
Key words： genetic algorithm； fitness value； composing test paper； diversity of population； pseudo-parallel
0 引言
随着人工智能技术的发展，出现了基于智能的计算机辅助教学系统。智能组卷是智能计算机辅助教学系统的重要组成部分，它的研究目的是使计算机代替人工出卷。能否快速地组成科学的、合理的和具有随机性的高质量试卷取决于组卷算法的设计。20世纪80年代中后期，国内外研究者根据组卷问题的特点进行了组卷算法的研究，相继产生了多种组卷方法。其中具有代表性的有随机抽题法、回溯试探法和遗传算法等[1]。①随机抽题法是根据组卷时定义的控制指标，不断从试题库中随机选取试题加入试卷中，直到组卷完成。该方法简单，单次运行速度快，但成功率低。②回溯试探法的基本思想：判断随机抽取的试题是否满足指定的约束条件，当满足约束条件时继续向前搜索，并保存待生成试卷的状态空间。当组卷失败时，则返回上次记录，再按照预定策略进行新的搜索试探，直到生成试卷或回到出发点为止。该方法组卷耗时长，且内存空间占用量也较大。③遗传算法作为一种优秀的算法，已在很多领域得到应用，与传统的搜索算法不同，它是模仿自然选择和遗传进化过程来搜索最优解，特别适于处理传统的搜索方法无法解决的复杂问题和非线性问题。智能组卷是一种多目标约束问题[2]，受多种因素的影响，如总分、题型，每种题型的题量，每种题型所占的分值、时间、难度、区分度等，但遗传算法利用适应度值来指导搜索方向，使得采用遗传算法解决多目标约束的组卷问题具有明显的应用优势。它具有所组试卷随机性强，质量高的特点，但由于约束条件多，易出现未成熟收敛和收敛慢，多个目标方向在收敛速度上存在不一致的现象，容易向一个方向上侧重。在采用遗传算法进行组卷时，较多算法采用了分段编码、分段进化的策略[3-4]，以降低算法的复杂度，提高算法的性能，但并未实现分段组卷，没能从根本上提高算法的性能。本文提出分段伪并行组卷的方法，即按题型分段成子群体，各子群体独立进行遗传进化。按题型组成符合要求的试卷段，再将其组合成一份完整的符合用户需求的试卷。由于各子群体的进化计算是在同一台计算机上串行进行的，所以称为伪并行遗传算法。该算法由于简化了关系，使得进化速度明显提高，只需经过几代进化即可取得符合用户要求的试卷，而且精度也有较大的提高。
1 试题的属性与试卷的约束条件
1.1 试题的属性
1.2 试卷的约束条件
一份试卷往往要求同时满足多个约束条件，但过多的约束条件增加了组卷的难度。本文采用分段伪并行组卷的方法，要求按题型分段组卷，按段组成满足要求的试卷段，再组合成一份符合用户要求的试卷。试卷及各段必须满足下面的约束条件。
⑴ 试卷总分要求：试卷的各试题的分值之和与用户设定的试卷总分相等。
⑵ 试卷难度要求：试卷的各段、整份试卷的难度值与用户设定的试卷难度值相等。
⑶ 试卷区分度要求：试卷的各段、整份试卷的区分度值与用户设定的试卷区分度值相等。
⑷ 考试时间：整份试卷的各试题的答题用时之和与用户设定的试卷时长相等。
⑸ 各题型题量：各题型中的题目数量与用户设定的每种题型的题目数量相等。
⑹ 各题型所占的分值：各题型所占的分值与用户设定的每种题型占试卷总分值的百分比相等。
⑺ 各题型答题用时：各题型答题用时与用户设定的每种题型答题用时相等。
2 分段组卷伪并行遗传算法
对于分段组卷伪并行遗传算法，给出相应的算法步骤。
步骤1 染色体编码及种群初始化
编码是应用遗传算法时首先需要解决的问题，对于组卷来说常用编码的有两种，基于二进制的编码[5]和基于实数的编码[6]。与实数编码相比， 二进制编码的搜索效率更高，且二进制编码具有操作简单易行，交叉、变异便于实现的特点，故本文采用二进制编码的方式。编码按题型分段进行，假设题库中某一题型共有m道试题，则可用一个m位的二进制串来表示，如果其中的题目被选中，则用“1”表示，未被选中，则用“0”表示。
初始化群体采用随机方式产生。通常，种群规模将影响算法的性能，种群设置越大可以提供处理的模式越多，群体中个体多样性越高，可以防止早熟收敛，但会增加计算量；种群设置过小则使遗传算法的搜索空间受到限制，不能提供足够的采样点，一般可通过实验确定。
步骤4 选择运算
选择是采用某一选择策略挑选父代中的优良个体进行复制，以繁殖后代。选择的方法有赌选择、最优保存策略、确定式采样选择、无回放随机选择、无回放余数随机选择、排序选择、随机联赛选择[9]。本文算法采用基于目标函数值的排序选择方法和最优保存策略。选择运算在各题型段内独自进行，将目标函数值按照从小到大的顺序排列，目标函数值越小，所对应的个体越优良。本文选取前面20%的优良个体直接复制进入下一代。
分段选择运算相对于整条染色体的选择运算具有更高的性能。比如，一条染色体由于某一染色体段的目标函数值偏大就可能被丢弃，不会被复制进入下一代。而分段选择只是将目标函数值大的染色体段淘汰，其他目标函数值小的染色体段将被复制进入下一代，从而减少了无效迭代，能够提高选择运算的效率。
步骤5 交叉运算
交叉操作是遗传算法中最主要的操作，是产生新的优良个体的主要方法。交叉操作要求既不破坏染色体中基因的优良性状，又能有效地产生出一些好的新个体。常用的交叉方式有单点交叉、多点交叉、均匀交叉和算术交叉[9]。本文采用单点交叉，在各自的题型段内，随机选取两个相互配对的染色体段，随机确定交叉点，在交叉点位置后面部分字符串相互交换而形成二个新的染色体段。具体的交叉方式如下。
由于交叉操作后生成的新染色体段中所包含的“1”的个数可能发生改变，为了确保题型段内所包含的题目数与用户设定的一致，因此需要检查字符串中所包含的“1”的个数。这里只检查交叉点后“1”的数目是否改变，如果增加了就随机选择其中的“1”将其反转为“0”，如果减少了就随机选择其中的“0”将其反转为“1”，以保证在题型段内所包含的题目数与用户设定一致。本文采用杂交产生子代60%的新个体。
步骤6 变异运算
遗传算法中的变异算子是生物体进化过程中染色体上的基因位发生突变的现象，它使染色体的结构和性状发生改变。它能改善遗传算法的局部搜索能力和维持群体的多样性，防止出现早熟现象。在遗传算法中，交叉算子因其全局搜索能力而作为主要算子，变异算子因其局部搜索能力而作为辅助算子，对于二进制编码而言，变异操作就是把某些基因位的值取反[9]。具体是在各题型段内随机确定变异点的位置，将其值取反。如果是“0”变为“1”，则该题型段的题目数量增加了1题，因此需要随机选取其他位置的“1”将其变为“0”以保持该题型的题目数量与用户设定的数量一致。如果是“1”变为“0”，则该题型段的题目数量减少了1题，因此需要随机选取该段其他位置的“0”值将其变为“1”以保持该题型的题目数量与用户设定的数量一致。实际编程可以随机选取一个“1”和一个“0”，再分别变为“0”和“1”，本文采用变异产生子代20%的新个体。
在执行完以上步骤后，返回到第2步骤，对个体进行评价。如果满足终止条件，即可输出结果；如果不满足终止条件，则继续向下执行，循环往复，使各染色体段向最优解方向移动，从而使整条染色体逐渐接近最优解。
3 实验条件和结果
表2数据为本文方法与排序方法的比较，此处的排序算法与本文算法惟一的不同是未采用伪并行的计算策略，其他条件相同。从表2可以看出，组卷50次，采用分段组卷伪并行遗传算法时，在组卷约束条件较多的情况下，本文算法迭代次数明显减少，算法的效率有了较大的提高。
4 结束语
组卷是一个多目标约束问题，由于约束条件多、题量大，用原始遗传算法进行组卷易出现未成熟收敛和收敛速度慢问题。本文给出分段组卷伪并行遗传算法，对于约束条件多的组卷问题，采用分段组成符合要求的试卷段，再组合成一份完整的符合用户需求的试卷，该方法有明显的优势。在进化过程中，利用目标函数值排序的选择方法和最优保存策略，保证了优质个体能够被复制进入下一代。利用较大的杂交、变异概率补充新个体，保持了种群多样性。对在杂交、变异运算过程中所引起的题目数量的变化进行检查，并进行处理，使其与用户设定的数量相等。实验证明，分段伪并行遗传算法能够大大加快收敛速度，提高组卷质量，并可同时生成多份满足要求的试卷。
参考文献：
[1] 彭雪莲.基于多策略改进遗传算法的智能组卷研究[D].广西大学，2010.
[2] 张琨，杨会菊，宋继红，赵学龙.基于遗传算法的自动组卷系统的设计与实现[J].计算机工程与科学，2012.5（34）：178-183
[3] 魏平熊，伟清.用遗传算法解组卷问题的设计与实现[J].微电子学与计算机，2002.4：48-50
[4] 孟朝霞.基于自适应免疫遗传算法的智能组卷[J].计算机工程，2008.34（18）：203-205
[5] 于淼，王日宏.改进遗传算法在智能组卷中的应用[J].计算机工程与应用，2008.44（25）：236-238
[6] 黄宝玲.自适应遗传算法在智能组卷中的应用[J].计算机工程，2011.37（14）.
[7] 饶乐三，王晓柳.教育统计学[M].南京大学出版社，1990.
回交的遗传学效应范文3
关键词：体育类回族“非遗”；学校教育；现状
【中图分类号】 G648 【文献标识码】 B 【文章编号】 1671-1297（2012）08-0204-01
一 引言
宁夏在我国是以回族为主体的少数民族地区，回族人口占全区人口的34.77%（2010年全国第六次人口普查数据）。回族人民群众在宁夏聚居区长期的生产劳动和社会实践中，创造出具有鲜明地域特色和民族特色的灿烂回族非物质文化遗产。如何把体育类回族“非遗”在宁夏回族聚居区传承下去并发扬光大，使其促进宁夏回族文化大发展、大繁荣中更加焕发生机，是我们教育工作者应认真思考的问题。学校是在传承和创新回族传统文化方面具有独特的优势，宁夏回族聚居区的学校应当在传承和创新回族传统文化中发挥其应有的作用。本文在宁夏回族聚居区——固原市（一区四县）的农村和城镇学校进行调查，现将调查的基本情况和我们所做的简要分析作如下报告，并提出在学校需要加强回族非物质文化遗产传承教育的对策建议。
二 研究对象与方法
1.研究对象
宁夏回族聚居区中学学生。
2.研究方法
（1）问卷调查法：在2012年6～7月，通过随机抽样，分别在泾源县第一、三中学、固原市回中和西吉中学随机抽取中学生400名，发放问卷400份，有效回收378份，回收率为94.5%。
（2）访谈法：随机抽取9名学生班干部，10名体育教师和3名主管教学的领导进行个人访谈。
三 结果与分析
社会现代化进程的推进在很大程度上影响到了聚居区回族的生活方式，而与回族生活方式密切相关的体育类回族“非遗”活动也因此受到了影响和冲击。调查显示，在宁夏回族聚居区学校教育中，对体育类回族“非遗”文化的重要价值与作用以及如何通过学校教育传承体育类回族“非遗”还有认识不到位的方面。其因素有以下几方面：
1.学校因素分析
从调查结果看，宁夏回族聚居区中学对回族非物质文化教育的重视程度不够。通过对学生的调查结果显示，认为“非常重视”的占24%，“重视”的占22%，“一般重视”的占26%，“不重视”的占28%。通过调查，在泾源县第一中学开设“踏脚”项目作为体育教学的补充，但占体育课时较少，还有在固原回中，回族木球作为该学校的民族传统项目训练基地，但是没有真正把木球列入到本校的体育教学中，只是在有各级各类少数民族运动会时，才临时挑选队员进行训练。没有真正把体育类回族“非遗”传承，只流于形式。
通过对回族非物质文化教育人才的培训和培养，对教师的调查结果显示，“没有参加过”的占84%，“很少参加”的占13%，“经常参加”的占3%。从调查的结果表明，宁夏回族聚居区各学校普遍缺乏能够进行回族非物质文化教育的骨干师资力量。
2.教师因素分析
由于应试教育的影响，大部分教师过分强调学生在主科和升学科目的考试成绩，缺乏回族非物质文化课程开发和教育的动力和创新力，特别是面临中考和高考时，学生的成绩与升学率是衡量教师教学水平的主要标准，教师往往把数理化、英语、语文等作为其升学考试的主要内容，忽视对回族传统文化的教学。体育类回族“非遗”是否有必要作为学校教育和体育教学的内容，对学生的调查结果显示，认为“非常必要”的占41%，“必要”的占47%，“无所谓”的占10%，“没必要的”占2%。说明回族聚居区学生大部分学生期待在学校教育和体育教学中有体育类回族“非遗”的内容。
大部分回族体育教师虽然具有扎实的回族传统体育基础，但对如何开发回族本土教材，如何将体育类回族“非遗”文化与广大学生的需求相结合起来开展生动扎实的民族教育，态度不够积极，方法单一。
3.学生因素分析
关于家庭、学校、社会对体育类回族“非遗”的传承作用，对学生的调查结果显示，认为在体育类回族“非遗”传承中“家庭”占13%，“学校”占71%，“社会”占16%。由于大部分回族非物质文化遗产的传承人受到文化水平的局限，不能从理论的高度向学生进行阐述，使学生对回族非物质文化遗产的内涵缺乏了解，难以认识到回族非物质文化遗产在当今的时代价值。
进入新世纪以来的宁夏回族聚居区，传统非物质文化与现代文化相互交融，急剧转型的社会环境，不仅给青少年的成长提供了更加丰富的文化价值资源，也对青少年的思维方式、价值取向和思想观念、生活方式以及审美趣味产生了深刻影响，对学生的调查结果显示（见表1）。在日常生活中，有的青少年在传统节日穿戴回族服装的同时，平时经常喜欢穿着名牌服饰、吃清真西餐和喝咖啡，在讲流利汉语的同时，很少有能熟练讲说阿语的，喜欢上网，表明当今文化的多样化和价值观的多元化在深刻地影响着宁夏回族聚居区学生的思维方式和行为方式。
四 学校教育中传承体育类回族“非遗”的对策
1.教育行政部门应重视在学校教育中传承回族非物质文化遗产。民族传统文化是一个民族的灵魂和精髓，回族传统文化经过长时期的积淀，是中华民族文化宝库中的瑰宝。如何有效地传承民族传统文化，已成为社会广泛关注的问题，因此宁夏各级教育行政部门应该充分重视民族传统文化在学校教育中的教学水平，培养具有民族传统文化知识的优秀人才。
2.学校应重视回族非物质文化遗产项目课程的开发与利用，引导学生积极参与，培养学生对回族传统文化的兴趣。例如，成立多种形式的踏脚舞社会团体，经常进行交流，并且由专业的教师和聘请传承人进行系统深入地教授，组织各类竞技比赛，营造健康向上的文化氛围。
3.营造浓厚的校园民族文化。校园文化建设需要从校园物质文化、制度文化和精神文化三个方面着手，其中物质文化和制度文化是基础，精神文化是根本。在制度方面要建立健全教师民族传统文化教育水平的评价，激励和保障机制，学生和教师、教师与校领导、学校与社区的互动机制，使民族传统文化教育正规化、科学化。在精神文化建设方面要充分激发教师和学生参与民族传统文化教育的热情，努力营造重视民族传统文化传承的校风和人人学文化，人人树新风的良好学习氛围。
4.加强对民族教师的培养，提高传统文化教育水平。培训应从教育理念入手，让教师从理念上认识到民族传统文化教育的重要性，增强教师的民族自豪感和使命感，充分理解多元文化教育理念，积极引导学生认识民族文化的内涵和精髓。学校要重视对民族传统文化教师的培养，采用“走出去，引进来”的方法，一方面派遣骨干教师到民族传统文化传承较好的学校和社区参观学习。另一方面，聘请民族文化教育专家和民间艺人来校指导民族文化的传承与教育。
回交的遗传学效应范文4
小麦单位面积产量是单位面积穗数、穗粒数和粒重的乘积，三者关系的协调是取得小麦高产的关键。小麦的穗数、穗粒数和粒重是质量-数量性状，由主基因和微效基因共同控制，对于这些复杂的多基因控制的数量性状来说，按照传统的育种方法，不可能将正在分离的所有位点上的最有用基因组合到一个基因型中并加以正确的鉴定选择。因此要实现小麦再高产育种的重大进展，必须首先突破传统的育种方法，在杂交手段和杂种后代处理这2个关键性技术环节上进行大的改进。分子育种技术与小麦常规育种的有效结合使我们有望突破瓶颈，取得进展。怎样把分子育种技术与小麦常规育种紧密有效的结合起来，笔者认为随着分子数量遗传学的进一步发展、高密度遗传图谱的构建、QTL的位置、效应和机理的逐步探明，以及成本较低的基于PCR的分子标记技术的发展和应用，产量性状QTL 定位将在作物的高产和超高产育种中发挥巨大作用，主要体现在3 个方面:
（1）新基因源的发掘。当下的小麦育种急需引进、发掘和创造一批小麦新种质或新基因，创造小麦新类型。从育种的角度讲，在野生或近缘及特异材料中寻求的优良基因/QTL比在优良品种中找到的优良基因/QTL可能更有利用价值，在育种实践中，单凭表现型很难做到这一点，而利用QTL的方法是完全可行的。如7DL.7Ag易位系是外源基因用于小麦改良的又一成功范例，7DL.7Ag易位系含Lr19，分子标记可以跟踪选择，如Xiao 等在野生稻中发现2 个增加产量的QTL，效应分别达到18%和17%，Bernacchi等在野生番茄中发现存在对番茄总重增效的等位基因，这对作物产量的遗传改良有重要意义。
（2）主效QTL的分子标记辅助选择。利用分子标记辅助选择，通过前景选择和背景选择，一方面可以聚合有用基因，实现多个育种目标，另一方面在回交渐渗过程中，通过遗传背景选择，减少连锁累赘，加快育种进程。
（3）QTL的基因克隆。对QTL研究的最终目标就该是将QTL上的基因克隆分离出来，用于基因工程操作。采用图位克隆的方法，目前已经克隆出控制水稻抽穗期、番茄含糖量及果重的QTL，利用物理图谱，人们将可以更为有效地进行包括QTL 在内的基因克隆。由此我们可以考虑：充分挖掘利用小麦育种材料中的极端类型，如矮秆、大穗、大粒等各具特点的资源。例如大穗源的穗粒数100粒以上，相当于目前品种的2 ～ 3倍，大粒源的千粒重高达60 ～ 70g，高出目前品种平均值的30% ～ 40%。只要采取合适的育种策略，聚集产量三要素的特异性状，培育每667m2穗数45万、每穗粒数40粒、千粒重50g、理论产量800kg/667m2左右的高产小麦新品种应是可行的。合适的育种策略应该如图1所示（图略）：①选择3 ～ 4个生产大面积推广应用的优良品种如济麦22、矮抗58、周麦18 等和含有特异性状极端类型如千粒重高达60 ～ 70g的材料，为杂交亲本，在回交一代，进行目标主基因QTL定位，并同时应用表型及标记辅助选择。②通过回交2 ～ 3代，建立一套该优良品种的近等基因系，然后各近等基因系间进行杂交，聚合各近等基因系中的不同有利等位基因，这样即可选育出新的优良品种，又可发现与其他产量性状如穗粒数100粒以上，应用表型及标记辅助选择改良的近等基因系配合力高的材料。③用同一优良品种应用标记辅助选择改良的含不同目标基因近等基因系进行聚合杂交，继续应用标记辅助选择进行改良，把穗数、粒重、粒数目标基因近等基因系进行聚合，只要不懈努力，实现小麦超高产育种目标会离我们愈来愈近。
要达到选择效率高，效果明显，这样的策略还要注意以下几个方面因素的影响: ①群体的大小。要保证一定规模的回交群体，基本能把所有QTL的有利等位基因同时转入受体亲本。②不同的选择环境。要在环境差异很大，环境效应很明显的多个地点进行种植选择，观察有没有明显的基因型（QTL）与环境的互作。③标记与QTL间的连锁紧密程度。④田间表现型的选择，也就是背景基因的选择。准确的表型鉴定非常重要。在用来选择的标记不能够覆盖整个基因组时，通过个体外部形态进行背景选择往往可以达到相当高的效率。因此，在育种实践中，将育种家丰富的选择经验与标记辅助选择相结合，效果可能更好。我们应该看到回交育种毕竟效率较低，每次只能改良一个品种，对于小麦大规模育种是不适应的，只要将数量性状标记辅助选择技术应用于小麦大规模改良育种，分子育种技术才算真正与小麦常规育种紧密结合，因此大规模改良多个品系复杂性状的标记辅助选择策略设计制定，必须科学理论的基础上。
当前利用矮败小麦结合标记辅助选择技术不失为是一种有益的选择。在矮败小麦中逐个累加大穗、大粒、高成穗率、高蛋白、高面筋及抗病抗旱基因。建立打破产量三要素负相关限制因素，实现重要基因有效累加、显性表达的高效分子育种体系。鉴于小麦种内遗传潜力还远没有挖尽，人类选择进程中，基因也在进化，新的等位变异会不断产生，应充分研究国内外不同历史时期生产上大面积推广的优良品种，研究小麦品种演替过程中，所有产量QTL有利等位基因的演替进化，挖掘丢失的有利等位基因，发现并保存新的有利等位基因变异，研究不同产量QTL等位基因变异的组合效应，聚合这些有利等位基因，优良等位变异越多，产量就越高。要研究不同生态区生产上大面积推广的优良品种及产量三要素特异性状材料的发育模式，找出并定位操纵这种发育模式的基因QTL，特别是像莱州137、兰考906、中麦895等这类株型结构优良，又有超高产潜力的基因型。重点发掘一因多效的基因/QTL，上位性互作明显的基因/QTL及与遗传背景之间互作强烈基因/ QTL、直接对主效应大、表达稳定的QTL 进行精细定位。总之用传统方法与产量QTL分析相结合进行品种选育，将促进小麦产量水平再上新台阶，也是小麦超高产育种的必由之路。
抗病育种问题
分子育种技术与小麦常规育种结合最紧密，最易切入的应该是小麦抗病育种。植物抗病性分为垂直抗性和水平抗性2种，其中垂直抗性受主基因控制，抗性强，效应明显，易于利用。但垂直抗性一般具有生理小种专化性，生理小种变化易丧失抗性，利用分子育种技术可以将抵抗不同生理小种的抗病基因聚合到一个品种中，可以是一种病害的多个抗病基因，也可是多种病害的多种抗病基因，这样就能育成真正意义上的多抗、高抗小麦品种。小麦分子抗病育种的成效取决于以下因素：#p#分页标题#e#
（1）受体亲本的选择。聚合分散于多个育种材料中的抗病基因时，最好以一个优良品种作为共同杂交亲本，特别要选择生产上大面积利用的骨干亲本如周麦16、鲁麦14等，它们不仅农艺学性状优良，而且配合力高，这样在基因聚合的同时，优良品种的抗性也得到改良，可直接应用于生产，又可作为多个抗病基因的亲本材料，用于育种。（2）背景基因的控制。如何克服供体亲本的不利基因在回交后代基因组中的残留。（3）水平抗性的利用。因此小麦抗病育种策略宜采取一个或一组具有潜在持久抗性的基因作中心抗源，再不断累加其它抗病基因，从而保证抗性的遗传多性。除了保证抗性的持久外，这些累加基因还可增强中心基因的有效性。抗源的收集、筛选、标记定位、改良和利用是抗病育种成败的关键。尽可能使用遗传差异大的抗源，采取滚动回交的方法，聚合主效基因和微效基因，充分利用优良的背景基因，努力选育持久广谱性抗病新品种。
抗逆育种问题
小麦抗逆育种包括抗旱育种、耐盐育种、低养分（N、P、K等）胁迫抗性抗性育种等方面抗非生物逆境育种。小麦品种在田间各种逆境胁迫下，所具有的良好生理特性是籽粒产量形成的基础。小麦的耐旱、耐盐性是受多基因控制的数量性状，遗传背景十分复杂，涉及多个代谢途径的复杂性状。笔者认为小麦抗逆育种实质就是小麦生理特性育种，包括植株繁茂性、根系健壮程度、胚芽鞘的长短等。这些性状的分子标记的发掘，可能使我们在更深的层面了解抗逆育种的本质问题。也许提高作物抗旱性最好的基因就是那些控制健壮根系的基因。在非生物逆境胁迫下，控制小麦繁茂性的基因可能是最具利用价值的基因。虽然近年在植物耐盐的生理变化和耐盐机制的研究方面取得了一些进展。但植物的耐旱、耐盐分子机制尚不十分清楚，进一步获得新的耐旱、耐盐相关基因，为实施植物抗逆分子育种提供理论依据。
品质育种问题
小麦品质育种分子标记辅助选择的技术路线与抗病育种分子标记辅助选择基本相似。笔者认为品质育种遗传背景选择更为重要。它不是简单的基因累加聚合的问题，也不是优质亚基多少的问题，它应该是前景选择和背景选择的优化选择。小麦品质是一个复杂的概念，它不仅受小麦高分子量麦谷蛋白亚基（ H MW-GS）影响，而且小麦低分子量麦谷蛋白亚基（ LMW-GS）的影响，醇溶蛋白也对小麦品质具有重要作用，同时小麦淀粉、籽粒硬度等其它因素也影响着小麦品质。因此，对于小麦品质遗传与育种，如何根据以上标准进行小麦遗传与育种是一个艰巨的工作。品质育种育种策略宜采取选用最好的优质和高产品种为亲本，在以高产品种为农艺亲本进行有限回交，结合5+10优质亚基分子标记辅助选择和田间农艺性状选择，通过分子标记辅助育种同步改良品质和产量。品质育种的核心是优质亚基在遗传背景中的表达程度。因此在育种实践中要考虑：优质亚基往受体亲本转移那些最优；什么样的背景基因能保证优质高产；最好的优质和高产品种它们之间的定位关系。
结语
回交的遗传学效应范文5
小麦单位面积产量是单位面积穗数、穗粒数和粒重的乘积,三者关系的协调是取得小麦高产的关键。小麦的穗数、穗粒数和粒重是质量-数量性状,由主基因和微效基因共同控制,对于这些复杂的多基因控制的数量性状来说,按照传统的育种方法,不可能将正在分离的所有位点上的最有用基因组合到一个基因型中并加以正确的鉴定选择。因此要实现小麦再高产育种的重大进展,必须首先突破传统的育种方法,在杂交手段和杂种后代处理这2个关键性技术环节上进行大的改进。分子育种技术与小麦常规育种的有效结合使我们有望突破瓶颈,取得进展。怎样把分子育种技术与小麦常规育种紧密有效的结合起来,笔者认为随着分子数量遗传学的进一步发展、高密度遗传图谱的构建、QTL的位置、效应和机理的逐步探明,以及成本较低的基于PCR的分子标记技术的发展和应用,产量性状QTL 定位将在作物的高产和超高产育种中发挥巨大作用,主要体现在3 个方面:
(1)新基因源的发掘。当下的小麦育种急需引进、发掘和创造一批小麦新种质或新基因,创造小麦新类型。从育种的角度讲,在野生或近缘及特异材料中寻求的优良基因/QTL比在优良品种中找到的优良基因/QTL可能更有利用价值,在育种实践中,单凭表现型很难做到这一点,而利用QTL的方法是完全可行的。如7DL.7Ag易位系是外源基因用于小麦改良的又一成功范例,7DL.7Ag易位系含Lr19,分子标记可以跟踪选择,如Xiao 等在野生稻中发现2 个增加产量的QTL,效应分别达到18%和17%,Bernacchi等在野生番茄中发现存在对番茄总重增效的等位基因,这对作物产量的遗传改良有重要意义。
(2)主效QTL的分子标记辅助选择。利用分子标记辅助选择,通过前景选择和背景选择,一方面可以聚合有用基因,实现多个育种目标,另一方面在回交渐渗过程中,通过遗传背景选择,减少连锁累赘,加快育种进程。
(3)QTL的基因克隆。对QTL研究的最终目标就该是将QTL上的基因克隆分离出来,用于基因工程操作。采用图位克隆的方法,目前已经克隆出控制水稻抽穗期、番茄含糖量及果重的QTL,利用物理图谱,人们将可以更为有效地进行包括QTL 在内的基因克隆。由此我们可以考虑:充分挖掘利用小麦育种材料中的极端类型,如矮秆、大穗、大粒等各具特点的资源。例如大穗源的穗粒数100粒以上,相当于目前品种的2 ~ 3倍,大粒源的千粒重高达60 ~ 70g,高出目前品种平均值的30% ~ 40%。只要采取合适的育种策略,聚集产量三要素的特异性状,培育每667m2穗数45万、每穗粒数40粒、千粒重50g、理论产量800kg/667m2左右的高产小麦新品种应是可行的。合适的育种策略应该如图1所示(图略):①选择3 ~ 4个生产大面积推广应用的优良品种如济麦22、矮抗58、周麦18 等和含有特异性状极端类型如千粒重高达60 ~ 70g的材料,为杂交亲本,在回交一代,进行目标主基因QTL定位,并同时应用表型及标记辅助选择。②通过回交2 ~ 3代,建立一套该优良品种的近等基因系,然后各近等基因系间进行杂交,聚合各近等基因系中的不同有利等位基因,这样即可选育出新的优良品种,又可发现与其他产量性状如穗粒数100粒以上,应用表型及标记辅助选择改良的近等基因系配合力高的材料。③用同一优良品种应用标记辅助选择改良的含不同目标基因近等基因系进行聚合杂交,继续应用标记辅助选择进行改良,把穗数、粒重、粒数目标基因近等基因系进行聚合,只要不懈努力,实现小麦超高产育种目标会离我们愈来愈近。
要达到选择效率高,效果明显,这样的策略还要注意以下几个方面因素的影响: ①群体的大小。要保证一定规模的回交群体,基本能把所有QTL的有利等位基因同时转入受体亲本。②不同的选择环境。要在环境差异很大,环境效应很明显的多个地点进行种植选择,观察有没有明显的基因型(QTL)与环境的互作。③标记与QTL间的连锁紧密程度。④田间表现型的选择,也就是背景基因的选择。准确的表型鉴定非常重要。在用来选择的标记不能够覆盖整个基因组时,通过个体外部形态进行背景选择往往可以达到相当高的效率。因此,在育种实践中,将育种家丰富的选择经验与标记辅助选择相结合,效果可能更好。我们应该看到回交育种毕竟效率较低,每次只能改良一个品种,对于小麦大规模育种是不适应的,只要将数量性状标记辅助选择技术应用于小麦大规模改良育种,分子育种技术才算真正与小麦常规育种紧密结合,因此大规模改良多个品系复杂性状的标记辅助选择策略设计制定,必须科学理论的基础上。
当前利用矮败小麦结合标记辅助选择技术不失为是一种有益的选择。在矮败小麦中逐个累加大穗、大粒、高成穗率、高蛋白、高面筋及抗病抗旱基因。建立打破产量三要素负相关限制因素,实现重要基因有效累加、显性表达的高效分子育种体系。鉴于小麦种内遗传潜力还远没有挖尽,人类选择进程中,基因也在进化,新的等位变异会不断产生,应充分研究国内外不同历史时期生产上大面积推广的优良品种,研究小麦品种演替过程中,所有产量QTL有利等位基因的演替进化,挖掘丢失的有利等位基因,发现并保存新的有利等位基因变异,研究不同产量QTL等位基因变异的组合效应,聚合这些有利等位基因,优良等位变异越多,产量就越高。要研究不同生态区生产上大面积推广的优良品种及产量三要素特异性状材料的发育模式,找出并定位操纵这种发育模式的基因QTL,特别是像莱州137、兰考906、中麦895等这类株型结构优良,又有超高产潜力的基因型。重点发掘一因多效的基因/QTL,上位性互作明显的基因/QTL及与遗传背景之间互作强烈基因/ QTL、直接对主效应大、表达稳定的QTL 进行精细定位。总之用传统方法与产量QTL分析相结合进行品种选育,将促进小麦产量水平再上新台阶,也是小麦超高产育种的必由之路。
抗病育种问题
分子育种技术与小麦常规育种结合最紧密,最易切入的应该是小麦抗病育种。植物抗病性分为垂直抗性和水平抗性2种,其中垂直抗性受主基因控制,抗性强,效应明显,易于利用。但垂直抗性一般具有生理小种专化性,生理小种变化易丧失抗性,利用分子育种技术可以将抵抗不同生理小种的抗病基因聚合到一个品种中,可以是一种病害的多个抗病基因,也可是多种病害的多种抗病基因,这样就能育成真正意义上的多抗、高抗小麦品种。小麦分子抗病育种的成效取决于以下因素:
(1)受体亲本的选择。聚合分散于多个育种材料中的抗病基因时,最好以一个优良品种作为共同杂交亲本,特别要选择生产上大面积利用的骨干亲本如周麦16、鲁麦14等,它们不仅农艺学性状优良,而且配合力高,这样在基因聚合的同时,优良品种的抗性也得到改良,可直接应用于生产,又可作为多个抗病基因的亲本材料,用于育种。(2)背景基因的控制。如何克服供体亲本的不利基因在回交后代基因组中的残留。(3)水平抗性的利用。因此小麦抗病育种策略宜采取一个或一组具有潜在持久抗性的基因作中心抗源,再不断累加其它抗病基因,从而保证抗性的遗传多性。除了保证抗性的持久外,这些累加基因还可增强中心基因的有效性。抗源的收集、筛选、标记定位、改良和利用是抗病育种成败的关键。尽可能使用遗传差异大的抗源,采取滚动回交的方法,聚合主效基因和微效基因,充分利用优良的背景基因,努力选育持久广谱性抗病新品种。
抗逆育种问题
小麦抗逆育种包括抗旱育种、耐盐育种、低养分(N、P、K等)胁迫抗性抗性育种等方面抗非生物逆境育种。小麦品种在田间各种逆境胁迫下,所具有的良好生理特性是籽粒产量形成的基础。小麦的耐旱、耐盐性是受多基因控制的数量性状,遗传背景十分复杂,涉及多个代谢途径的复杂性状。笔者认为小麦抗逆育种实质就是小麦生理特性育种,包括植株繁茂性、根系健壮程度、胚芽鞘的长短等。这些性状的分子标记的发掘,可能使我们在更深的层面了解抗逆育种的本质问题。也许提高作物抗旱性最好的基因就是那些控制健壮根系的基因。在非生物逆境胁迫下,控制小麦繁茂性的基因可能是最具利用价值的基因。虽然近年在植物耐盐的生理变化和耐盐机制的研究方面取得了一些进展。但植物的耐旱、耐盐分子机制尚不十分清楚,进一步获得新的耐旱、耐盐相关基因,为实施植物抗逆分子育种提供理论依据。
品质育种问题
小麦品质育种分子标记辅助选择的技术路线与抗病育种分子标记辅助选择基本相似。笔者认为品质育种遗传背景选择更为重要。它不是简单的基因累加聚合的问题,也不是优质亚基多少的问题,它应该是前景选择和背景选择的优化选择。小麦品质是一个复杂的概念,它不仅受小麦高分子量麦谷蛋白亚基( H MW-GS)影响,而且小麦低分子量麦谷蛋白亚基( LMW-GS)的影响,醇溶蛋白也对小麦品质具有重要作用,同时小麦淀粉、籽粒硬度等其它因素也影响着小麦品质。因此,对于小麦品质遗传与育种,如何根据以上标准进行小麦遗传与育种是一个艰巨的工作。品质育种育种策略宜采取选用最好的优质和高产品种为亲本,在以高产品种为农艺亲本进行有限回交,结合5+10优质亚基分子标记辅助选择和田间农艺性状选择,通过分子标记辅助育种同步改良品质和产量。品质育种的核心是优质亚基在遗传背景中的表达程度。因此在育种实践中要考虑:优质亚基往受体亲本转移那些最优;什么样的背景基因能保证优质高产;最好的优质和高产品种它们之间的定位关系。
回交的遗传学效应范文6
摘 要 本文通过对基本遗传算法添加初始化启发信息、改进交叉算子和利用本身所固有的并行性构架粗粒度并行遗传算法等方法提高了遗传算法的收敛性及其寻优能力。 关键词 遗传算法；tsp；交叉算子 1 引言 遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。总的说来，遗传算法是按不依赖于问题本身的方式去求解问题。它的目标是搜索这个多维、高度非线性空间以找到具有最优适应值(即最小费用的)的点[1]。 基本遗传算法是一个迭代过程，它模仿生物在自然环境中的遗传和进化机理，反复将选择算子、交叉算子和变异算子作用于种群，最终可得到问题的最优解和近似最优解。 2 遗传算法程序设计改进比较 2.1 基本遗传算法对tsp问题解的影响 本文研究的遗传算法及改进算法的实现是以c++语言为基础，在windows2000的版本上运行，其实现程序是在microsoft visual stadio 6.0上编写及运行调试的。 1) 遗传算法的执行代码 m_tsp.initpop()； //种群的初始化 for(int i=0；i<m_tsp.returnpop()；i++) m_tsp.calculatefitness(i)； //计算各个个体的适应值 m_tsp.statistics()； //统计最优个体 while(entropy>decen||variance>decvar)//m_tsp.m_gen<100) { //将新种群更迭为旧种群，并进行遗传操作 m_tsp.alternate()； //将新种群付给旧种群 m_tsp.generation()； //对旧种群进行遗传操作，产生新种群 m_tsp.m_gen++； m_tsp.statistics()； //对新产生的种群进行统计 } 2) 简单的遗传算法与分支定界法对tsp问题求解结果的对比 遗传算法在解决npc问题的领域内具有寻找最优解的能力。但随着城市个数的增加，已没有精确解，无法确定遗传算法求解的精度有多高。一般情况下，当迭代代数增大时，解的精度可能高，但是时间开销也会增大。因此可以通过改进遗传算法来提高搜索能力，提高解的精度。 表1 10个城市的tsp问题求解结果数据 算法 试验结果 简单遗传算法 分支定界法 最佳解 时间 精确解 时间 试验1 2448.610037 5s 2448.610037 00：07：30 试验2 2448.610037 13s 试验3 2448.610037 9s 试验4 2459.543054 10s 试验5 2459.543054 7s 2.2 初始化时的启发信息对tsp问题解的影响 1) 初始化启发信息 在上述实验算法的基础上，对每一个初始化的个体的每五个相邻城市用分支界定法寻找最优子路径，然后执行遗传算法。 2) 遗传算法与含有启发信息的遗传算法求解结果的对比 当城市数增至20个时，用分支定界法已经不可能在可以接受的时间内得到精确的解了，只能通过近似算法获得其可接受的解。试验设计中算法的截止条件：固定迭代1000代。表2中的平均最优解为经过多次试验(10次以上)得到的最优解的平均值，最优解的出现时间为最优解出现的平均时间，交叉操作次数为最优解出现时交叉次数的平均值。 表2 20个城市的tsp问题求解结果数据 算法 交叉操作 次数 最优解 出现时间 平均 最优解 简单遗传算法 80244.4 79.4s 1641.8 含初始化启发信息的ga 79000.2 37.4s 1398.9 从表2中可以看出，当初始种群时引入启发信息将提高遗传算法的寻优能力。同时缩短了遗传算法的寻优时间和问题的求解精度。 2.3 交叉算子对tsp问题解的影响 1)循环贪心交叉算子的核心代码 for(i=1；i<m_chrom；i++) { flag=0； city=m_newpop[first].chrom[i-1]； //确定当前城市 j=0； while(flag==0&&j<4) { sign=adjcity[city][j]； //adjcity数组的数据为当前城市按顺序排列的邻接城市 flag=judge(first，i，sign)； //判断此邻接城市是否已经存在待形成的个体中 j++； } if(flag= =0) //如果所有邻接城市皆在待扩展的个体中 { while(flag= =0) { sign=(int)rand()/(rand_max/(m_ chrom-1))； //随机选择一城市 flag=judge(first，i，sign)； } } if(flag==1) m_newpop[first].chrom[i]=sign； } 2)问题描述与结果比较 下面笔者用经典的测试遗传算法效率的oliver tsp问题来测试循环贪心交叉算子的解的精度和解效率。oliver tsp问题的30个城市位置坐标如表3所示[2]。 表3 oliver tsp问题的30个城市位置坐标 城市编号 坐标 城市编号 坐标 城市编号 坐标 1 (87，7) 11 (58，69) 21 (4，50) 2 (91，83) 12 (54，62) 22 (13，40) 3 (83，46) 13 (51，67) 23 (18，40) 4 (71，44) 14 (37，84) 24 (24，42) 5 (64，60) 15 (41，94) 25 (25，38) 6 (68，58) 16 (2，99) 26 (41，26) 7 (83，69) 17 (7，64) 27 (45，21) 8 (87，76) 18 (22，60) 28 (44，35) 9 (74，78) 19 (25，62) 29 (58，35) 10 (71，71) 20 (18，54) 30 (62，32) 表4 贪心交叉与部分匹配交叉的比较(oliver tsp问题的30个城市) 交叉算子 交叉操作次数 平均时间 平均最优解 部分匹配交叉 59760 31.2s 517.0 贪心交叉 15774 28.6s 433.4 从表4、图1中可以看到，贪心交叉算子大大提高了遗传算法的寻优能力，同时也降低了交叉操作次数。在多次试验中，贪心交叉算子找到的最优解与目前记载的最佳数据的误差率为2.7%。而部分匹配交叉算子找到的最优解与目前记载的最佳数据的误差率高达7%。从而可以得到交叉算子对于遗传算法
的计算效率和计算结果起主导性作用[3]。
图1 遗传算法的收敛过程 2.4 并行遗传算法消息传递实现的核心代码 1)主程序代码 //接收各个从程序的最优个体 for(i=0；i<slave；i++) { mpi_recv(rchrom[i]，chrom，mpi_unsigned，mpi_any_source，gen，mpi_comm_world，&status)； } //计算接收各个从程序的最优个体的回路距离 for(i=0；i<slave；i++) { fitness[i]=0.0； for(int j=0；j<chrom-1；j++) fitness[i]=fitness[i]+distance[rchrom[i][j]][rchrom [i][j+1]]； fitness[i]=fitness[i]+distance[rchrom[i][0]][rchrom [i][chrom-1]]； } //找到最优的个体并把它记录到文件里 for(i=0；i<slave；i++) { if(1/fitness[i]>min) { sign=i； min=1/fitness[i]； } } fwrite(&gen，sizeof(int)，1，out)； for(i=0；i<chrom；i++) fwrite(&rchrom[sign][i]，sizeof(unsigned)，1，out)； fwrite(&fitness[sign]，sizeof(double)，1，out)； //每九代向从程序发送一个最优个体 if(gen%9==0) mpi_bcast(rchrom[sign]，chrom，mpi_ unsigned，0，mpi_comm_world)； 2)从程序代码 //将上一代的最优个体传回主程序 mpi_send(rchrom1，chrom，mpi_unsigned，0，gen，mpi_comm_world)； //每九代接收一个最优个体并将其加入种群中替换掉最差个体 if(gen%9==0) { pi_bcast(rchrom2，chrom，mpi_unsigned，0，mpi_comm_world)； tsp.indialternate(rchrom2)； } //进行下一代的计算 tsp.aternate()； tsp.generation()； tsp.statistics()； 3)并行遗传算法的性能 笔者在mpi并行环境下，用c＋＋语言实现了一个解决tsp问题的粗粒度模型的并行遗传算法。该程序采用的是主从式的mpi程序设计，通过从硬盘的文件中读取数据来设置染色体长度、种群的规模、交叉概率和变异概率等参数。试验环境为曙光tc1700机，测试的对象是oliver tsp问题的30个城市的tsp问题。 正如在测试串行遗传算法所提到的数据结果，并行遗传算法也没有达到目前所记录的最好解，但是它提高了算法的收敛性，并行遗传算法的收敛趋势如图2所示[4]。 图2 遗传算法的收敛过程 3 结束语 本文通过对基本遗传算法的不断改进，证明了添加启发信息、改进遗传算子和利用遗传算法固有的并行性都可以提高遗传算法的收敛性，其中对遗传算法交叉算子的改进可以大大提高遗传算法的寻优能力。 参考文献 [1] 刘勇、康立山，陈毓屏著． 非数值并行算法－遗传算法．北京：科学出版社 1995.1 [2] i m oliver d j smith and j r c holland，a study of permutation crossover operators on the traveling salesman[c]// problem of the second international conference on genetic algorithms and their application，erlbaum 1897： 224-230 [3] 于海斌，王浩波，徐心和． 两代竞争遗传算法及其应用研究 ．信息与控制，2000 vol.29，no.4：309-314 [4]穆艳玲，李学武，高润泉． 遗传算法解tsp问题的并行实现．北京联合大学学报(自然科学版)，2006 vol.20 no.2： 40-43
