先天性心脏病遗传因素的研究进展(遗传综述)

先天性心脏病遗传因素的研究进展（综述）

教师教育学院生物师范（09）09110203方蓉蓉

摘要：先天性心脏病已成为我国出生缺陷的首位病种。目前普遍的观点认为先天性心脏病是内

在遗传易感因素和外界环境致畸源共同作用所致的结果。其中遗传因素主要包括染色体病、单

基因病、多基因病和先天性代谢紊乱。本文就目前先天性心脏病的遗传因素研究情况作一综述。

关键词：先天性心脏病；遗传因素；基因；染色体病

前言：先天性心脏病(CHD)为胚胎时心血管发育异常所致的心脏血管形态、结构、功能、代谢的异常［1］。病因包括环境和遗传两个主要因素。环境因素主要为母体接触的化学环境、宫内感染、母亲妊娠期疾病及服用药物和高温、辐射暴露等因素。遗传因素引起心血管疾病早在1745年就有论述，至20世纪50年代，证实Down综合征、Turner综合征等先天性疾病为染色体数目异常所致，并可通过细胞遗传学方法检查确诊。基因定位对深入研究CHD 遗传因素提供了更有用的工具。遗传因素主要包括染色体病、单基因病、多基因病等。其中90%为多基因遗传，5%为染色体病，3%为单基因突变，1%～3%与环境因素有关。［2］

Ⅰ染色体异常

染色体数目和结构畸变均能引起各类综合征，将此类由染色体异常引起的疾病统称为染色体病。人类染色体病中约50种有心血管异常。大部分心脏缺损是非特异性的，个别情况下染色体异常与特定的心脏缺损相关。有染色体病的CHD患者症状常表现为某个遗传综合征的一部分，因为即使染色体有极轻度的畸形也可使很多基因位置异常，而影响到除心脏之外的其他方面的结构异常。

1.1 21-三体综合征

21-三体综合征又称先天愚型，是由于第21号染色体比健康人多了1条而引发的先天缺陷。1866年，由LangdonDown首先报道，亦称唐氏综合征。新生儿发生率为1/800～1/600［3］，占小儿染色体病的70%～80%。主要特征表现为严重智力低下，并有特殊的面部和身体畸形。40%～50%并先天性心血管畸形，包括房室间隔缺损(A VSD)、VSD、法洛四联症(TOF)、左心室发育不良、大动脉转位及主动脉缩窄等［4］。

1.2 18-三体综合征

1960年由Edwards首先报道，又称Edwards综合征，为第2种常见染色体三体征［5］。主要临床表现为多发畸形，多于出生数周死亡。95%病例合并心脏畸形，常见为VSD及PDA，ASD少见，亦可见主动脉或肺动脉二瓣化、主动脉缩窄、TOF、右位心、右位主动脉弓等。

1.3 13-三体综合征

常染色体数目异常疾病，由于双亲之一生殖细胞减数分裂时不分离所致。1960年Patau 首先描述本病，又称Patau综合征。患儿在出生1个月内死亡，90%在6个月内死亡，活到

成年者极少，死因多为心肺并发症［5］。临床表现复杂，累及颅脑、颜面部、颈部、肢体、心脏、腹部、泌尿生殖系统等全身多个部位，90%患儿存有心血管畸形，主要为VSD、PDA、ASD等。

1.4 猫叫综合征

1963年Lejeune首先报道了3例5P综合征婴儿，因患儿有猫叫样特殊哭声，又称为猫叫综合征，是5号染色体短臂缺失所引起的一种较为罕见的染色体病，为较常见的常染色体结构畸变疾病。临床表现为猫叫样哭声，伴严重智力发育落后，内眦赘皮，眼距过宽，外眦下斜(反先天愚型样倾斜)，头小，下颌后缩变小，满月脸，矛盾性精明面容和通贯手等。50%患儿并CHD，主要为VSD、PDA等［6］。

1.5 Turner综合征

又名先天性卵巢发育不全或性腺发育不全综合征。1938年由Turner首先报道。其表型与核型存在依赖性，常呈女性表型，后发际低，50%有颈蹼；盾形胸，乳头间距增宽；肘外翻和多痣等。30%～50%患者有心脏缺陷，以右侧心脏畸形为特征，肺动脉口狭窄、PDA和主动脉口狭窄最常见，还可有肥厚性心肌病、主动脉缩窄、肺动脉分支狭窄和Ebstein畸形。大部分患儿智能正常。常因生长迟缓、青春期无性征发育、原发性闭经等就诊［7］。

1.6 22部分三体综合征

常为第22对染色体长臂11位置发生重复及180°反转所致，而带有2个染色体的着丝点及双卫星区域。患者常出现眼睛虹膜缺损，像猫眼一样，又称为猫眼综合征。常有向下倾斜的眼睑裂缝、耳前皮肤悬垂物和(或)小洞，常伴心肾异常、肛门闭锁伴瘘管等，智力正常或接近正常。约50%合并CHD畸形，最常见为肺静脉异位引流，也可并ASD、TOF、VSD 等畸形［8］。

1.7 22q11缺失综合征

近年来，许多学者将22q11缺失作为一种染色体病综合征。1993年，Wilson以首字母缩写将其命名为CATCH综合征，即心脏畸形、异常面容、胸腺发育不良、腭裂和低钙血症。TOF、PDA、永存动脉干、主动脉弓离断、肺动脉瓣狭窄等心脏圆锥干畸形以及VSD是其常见CHD表型。此外，4P综合征(Wolfe综合征)、3P综合征、13q、18P综合征等染色体病也常伴有CHD。

Ⅱ单基因遗传缺陷

单基因遗传缺陷引起的畸形可分为常染色体隐性遗传、常染色体显性遗传、性染色体隐性遗传和性染色体显性遗传。约120种单基因病伴心血管系统畸形发生。单基因改变所致遗传缺陷发生率仅1/2000。引起心脏发育异常的单基因突变大多发生在对胎儿各系统发育有较大影响的基因上，常表现为某个综合征，而不是单独存在的心脏畸形。

2.1 马凡综合征(Marfan'ssyndrome)

又名蜘蛛指(趾)综合征，属先天性遗传性结缔组织疾病，为常染色体显性遗传。约80%患者并先天性心血管畸形。常见主动脉进行性扩张、主动脉瓣关闭不全，由于主动脉中层囊样坏死而引起主动脉窦瘤、夹层动脉瘤及破裂。

2.2 Holt－Oram综合征(HOS)

HOS是一种常染色体显性遗传病，表现为先天性上肢骨骼畸形和先天性心脏缺损。TBX5为T-box转录因子家族的一员，突变发生在T-box5'端，CHD表现更为严重；突变发生在T-box3'端，则上肢畸形更为严重。

2.3 Noonan综合征

即先天性侏儒痴呆综合征，为常染色体显性遗传。临床表现类似于Turner综合征，男女均可发病，主要特征为心内畸形、身材矮小、面容异常、智力低下和骨骼异常、男性生殖器分化不全或完全缺如，女性可发生性腺发育不良或正常发育，生长激素可正常或部分缺如，常伴不同类型先天性异常。50%合并心脏畸形，厚型心肌病或房室管畸形，其心内畸形的机制可能与心肌基质发育异常有关。

2.4 Ellis－Van综合征

又称为软骨外胚层发育不良症，为体染色体隐性遗传。几乎均有多指并趾畸形，约50%CHD以ASD、VSD居多，单心房少见。婴幼儿期易死于感染、呼吸及循环衰竭，合并CHD者预后更差，常死于心力衰竭。

Ⅲ多基因遗传缺陷

多基因遗传缺陷是指遗传和环境因素共同作用产生的某些异常，有明显家族性，同时受环境因素的影响。多基因遗传多表现为心血管畸形而不伴其他系统畸形。人类遗传学研究已证实大量基因与遗传和散发CHD相关。

3.1 心脏发育转录因子

哺乳动物心脏发育过程由特定的信号分子所激发，由组织特异性的转录因子介导。心脏转录因子指那些主要在心肌细胞中表达的关键转录活化因子，对心肌细胞的形成、迁移分化和心瓣膜及间隔发育等极为重要。NKX2.5、GATA4、TBX5是心脏早期发育最重要的3个转录因子，它们位于许多有作用基因上游，可以以复合体形式调控心脏特异基因正确表达。NKX2.5、GATA4和TBX5之间存在复杂的相互作用，NKX2.5是GA TA4的激活剂，且在TBX5、GATA4、NKX2.5突变患者中都发现心脏相似缺陷。3者相互影响，任何一个基因的突变都可能引起常见的心脏畸形。此外影响心脏发育的转录因子还有TBX1、SALL4、TBX20、TFAP2B、ISL1基因等。研究证实转录因子GLI1基因与CHD具有相关性。

3.2 各种CHD相关基因

人类遗传学研究及各种类型实验研究表明，ASD相关基因有NKX2.5、GATA4、TBX20、MYH6、TBX5；VSD相关基因有NKX2.5、GATA4、TBX20、TBX1、TBX5；AVSD相关基因有PTPN11、KRAS、SOS1、RAF1、CRELD1；Ebstein's畸形、三尖瓣闭锁相关基因为

NKX2.5；右心室双出口、大动脉转位相关基因有NKX2.5和HRAP2；永存动脉干相关基因为TBX1；TOF相关基因有NKX2.5、NOTCH1、TBX1、JAG1、NOTCH2、ISL1；主动脉狭窄相关基因为NOTCH1、PTPN11；肺动脉狭窄相关基因有PTPN11、JAG1、NOTCH2；二叶主动脉瓣相关基因为NOTCH1；左心发育不全综合征相关基因为NOTCH1；PDA相关基因为TFAP2B。上述基因改变可能会引起相关表型CHD发生。尽管CHD表型与不同的基因具有相关性。但并不意味着特定基因的改变会引起特定CHD表型的发生，每一种基因与CHD表型的关系有待于进一步研究。

3.3 MicroRNA功能障碍

近年新定义的MicroRNAs的研究结果令人激动，许多miRNAs被证实与心脏功能有关。其中与CHD最可能有相关性的是miR-1，其被证实在心脏的胚胎发育中起重要作用［20］。2个独立的基因miR-1-1和miR-1-2编码miR-1，这2个基因在心脏的发育过程中均有表达，转基因过度表达实验表明这2个基因可能与心肌增殖表达调节有关。2个基因均受血浆中反应因子控制，意味着二者为心脏转录因子调控程序中的一部分。因此，MicroRNA出现障碍可能会导致CHD的发生。

Ⅳ展望

心脏发育过程异常复杂，人类CHD分子遗传学研究至今仍存在许多困难和疑惑。综上，在基因突变、染色体异常与临床表现间不存在固定的一一对应关系。同一染色体异常可造成不同心脏畸形，相同心脏畸形可以源于不同染色体异常，如果进一步对特定CHD进行细化分类研究，则可能凸显染色体异常与某种心脏畸形亚类之间的特异关联。

因此，对CHD进行更加广泛的流行病学研究，结合更为细化的细胞遗传学分析和基因检测，将有望为各类CHD补充完备的遗传学资料，为每例特定的CHD患者做出准确的细胞遗传学及基因诊断，随着人类基因组计划的发展、克隆技术、DNA芯片等技术的广泛应用，将逐渐增加人们对CHD分子遗传学机制的认识。

参考文献：

[1] Clark K L, Yutzey K E, Benson D W. Transcription factors and congenital heart defects[J].

Annu. Rev. Physiol., 2006, 68: 97-121.

[2]刘珍, 李萍, 梁品容, 等. 先天性心脏病患儿124 例染色体情况分析[J]. 中国全科医学,

2008, 10(24): 2051-2052.

[3] 李科生，朱军，代礼，等．围生期1421 例唐氏综合征患儿监测资料分析［J］·实用儿科临

床杂志，2009，24(17):1346-1348．

[4] Koster M P H, Heetkamp K M, Pennings J L A, et al. Down syndrome screening: imagining

the screening test of the future[J]. Expert review of molecular diagnostics, 2010, 10(4): 445-457.

[5] De Souza E，Halliday J，Chan A，et al．Recurrence risks for trisomies 13，18，and

21［J］．Am J Med Genet A，2009，149A(12):2716 －2722．

[6] Rodriguez －Caballero A，Torres －Lagares D，Rodriguez －Perez A，et al．Cri du

chat syndrome:A critical review［J］．Med Oral Patol Oral CirBucal，2010，15(3):e473

－478．

[7] Oliveira RM，Verreschi IT，Lipay MV，et al．Y chromosome in Turnersyndrome:Review

of the literature［J］．Sao Paulo Med J，2009，127(6):373 －378．

[8] Rosias PR，Sijstermans JM，Theunissen PM，et al．Phenotypic variabilityof the cat eye

syndrome．Case report and review of the literature［J］．Genet Couns，2001，12(3):273 －282．

遗传算法综述

遗传算法综述 摘要：遗传算法(genetic algorithms，GA)是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法，适用于处理传统搜索方法难以解决的复杂和非线性优化问题。遗传算法可广泛应用于组合优化、机器学习、自适应控制、设计和人工生命等领域，是21世纪有关智能计算中的重要技术之一。 本文通过对相关论文的查阅和整理，对遗传算法的研究现状和发展趋势进行了综述并谈论了一些自己的看法。 关键词：遗传算法研究现状发展趋势 引言：遗传算法是模拟遗传选择和自然淘汰的生物进化过程的计算模型，由美国Michigan大学的Holland教授于1969年提出，后经DeJong、Goldberg 等人归纳总结，形成一种新的全局优化搜索算法[1]。遗传算法以其简单通用、鲁棒性强、适于并行处理以及高效、实用等显著特点，在各个领域得到了广泛应用，取得了良好效果，并逐渐成为重要的智能算法之一。 1、遗传算法的基本原理 与传统搜索算法不同, 遗传算法从一组随机产生的初始解,称为群体, 开始搜索过程。群体中的每个个体是问题的一个解,称为染色体。这些染色体在后续迭代中不断进化, 称为遗传。遗传算法主要通过交叉、变异、选择运算实现。交叉或变异运算生成下一代染色体, 称为后代。染色体的好坏用适应度来衡量。根据适应度的大小从上一代和后代中选择

一定数量的个体, 作为下一代群体, 再继续进化, 这样经过若干代之后, 算法收敛于最好的染色体, 它很可能就是问题的最优解或次优解。“遗传算法中使用适应度这个概念来度量群体中的各个个体的在优化计算中有可能到达最优解的优良程度。度量个体适应度的函数称为适应度函数。适应度函数的定义一般与具体求解问题有关”[2]。 遗传算法包含两个数据转换操作，一个是从表现型到基因型的转换，将搜索空间的参数或解转换成遗传空间中的染色体或个体，这个过程称为编码（coding）。另一个是从基因型到表现型的转换，即将个体转化成搜索空间中的参数，这个过程称为译码（decode）。 图1展示了遗传算法的运行过程。 图1 遗传算法的运行过程示意图 2、遗传算法的研究现状 2.1 遗传算法研究方向[3] 在遗传算法的研究中，目前主要有三类研究方向： ⑴研究遗传算法本身的理论基础。 ⑵用遗传算法作为工具解决工程问题。主要是进行优化，关心的是能

遗传算法综述

3D S可以方便灵活地实现对动画帧中的节点、平面、边界、颜色和轨迹的控制,同时对于物体变形测试,轴心点设置以及段信息的获取和设置也能方便准确地进行。而keyscri p t语言的优点体现在于其精确的数值计算,它可以对大量的复杂无序的动作进行随机计算,节省了制作时间。利用keyscri p t编辑器还能方便地进行语法检查并能直接执行无语法错误的keyscri p t程序。3　内存管理方式 3D S使用了独特的Pharlap的虚拟内存管理技术(VMM 386),该技术使3D—Studi o能使用比物理内存RAM更大的空间。这种内存管理方式与W indow2 s T M的内存管理方式不同,因此一般不在W indow s T M中使用3D S,若要在W indow s T M中使用,则必须在W in2 dow s T M的system1in i中的[386Enh]段加入device= Pharlap1386,使W indow s T M可以使用Pharlap的内存管理方式。这种内存管理方式也有一些不足,如内存一旦被3D S使用将不被释放。 4　硬件环境 使用3D—Studi o410的最低配制要求是386(带协处理器)的主机,至少8兆的内存,20兆以上的硬盘空间,DO S313以上的操作系统。由于3D S中的许多图形渲染时都必须使用256色,且观看3D S自带的一些图片也必须在256色的模式下进行,所以需要SV GA或TV GA的显示器。输入系统除了键盘外还必须配有鼠标,也可选配数字化仪。由于3D S在进行图形渲染需要大容量的内存,同时还需要CPU进行大量的浮点运算,因此当CPU为Pen tium T M、内存为16兆以上,并使用高性能的显示卡时,3D S的动画制作功能才能得到完美体现。由于ln tel公司生产的CPU兼容的Cyrix、AM D等公司生产的CPU浮点运算能力较差,因此CPU首选还是ln tel公司的产品。外设还可选配数字化仪等设备,对于需要直接输出到磁带上,并使用电视进行播发的动画,则可选用专业用户级以上的逐帧录向设备。 总之,3D S是一个庞大的图形工作平台,学会使用它的各种命令,发挥软件的强大功能绘制出优秀的动画和图象,还需要有很多技巧。随着人们对3D S认识加深,以它为平台开发的动画产品必将更加丰富多彩。 参考文献 1　[美]S1D1E lli o t,P1L1M iller,G1G1Pyro s著1黄心渊等译《3D—Studi o技术精粹》1北京:清华大学出版社。 19951 2　黄心渊　左正兴编著1《3D—Studi o(310—410)技术与应用》1北京:清华大学出版社,19961 收稿日期:1996年11月18日 遗传算法综述 艾丽蓉　何华灿 (西北工业大学计算机系　西安710072) 摘　要　本文从计算智能与进化计算谈起,论述了遗传算法产生的思想及背景,遗传算法的应用与研究现状,以及遗传算法研究的基本内容与问题,最后对GA与传统搜索算法做一比较,并概述了GA在并行处理应用中的潜在优势。 关键词　计算智能　进化计算　遗传算法(GA) 0　序言 长久以来,人们一谈到人工智能就马上想到逻辑、规则、推理,而一谈到计算就联想到矩阵运算、解微分方程,似乎智能和计算是两股道上跑的车。人工智能在走过几十年的曲折道路之后,人们经过认真反思,不断探索新的研究途径,于是一个新的研究方向——计算智能应运而生。 研究思维模拟主要的道路有四条:基于心理学的符号处理方法,基于社会学层次型的智能体方法,基于生物进化的进化计算与自适应方法,以及基于生理学的人工神经网络方法。目前聚集在计算智能大旗下的主要是后两个学派的学者(加上从事模糊计算和混沌计算等方面的学者)。实际上,只要在计算机上,模拟人类思想,不管用什么方法,其本质的基础还是二进制数字计算,在当前符号处理主宰人工智能的情况下,更应强调遗传算法等以数字计算为基础的方法对推动人工智能发展有着特殊的作用。 计算技术的飞速发展使大规模的现实模拟成为可能,而针对社会和生物现象的模拟,对人类认识自身及其环境具有重大意义,进化是其中最为诱人的领域之一。人的智能是从哪里来的?归根结底是从生物进化中得来的,反映在遗传基因中,脑的结构变化也是通过基

遗传算法

遗传算法发展前景概况 （华北电力大学电气与电子工程学院，北京102206） 摘要：遗传算法是一种基于生物进化自然选择和群体遗传机理的，适合于复杂系统优化的自适应概率优化技术，近年来，因为遗传算法求解复杂优化问题的巨大潜力和在工业工程领域的成功应用，这种算法受到了国内外学者的广泛关注，本文介绍了遗传算法研究现状和发展的前景，概述了它的理论和技术，并对遗传算法的发展情况发表了自己的看法。 关键词：遗传算法; 遗传算子；进化计算；编码 GENERAL GENETIC ALGORITHM DEVELOPMENT PROSPECT (North China Electric Power University Electrical And Electronic Engineering Institute,Beijing102206) ABSTRACT: Genetic algorithm is a kind of natural selection and based on biological evolution of genetic mechanism, group suitable for complex system optimization adaptive probability optimization technique, in recent years, because genetic algorithm for solving complex optimization problem in the huge potential and the successful application of industrial engineering, this algorithm was wide attention of scholars at home and abroad, this paper introduces the current research status and development of genetic algorithm, summarizes the prospect of its theory and technology of genetic algorithm and the development of published opinions of his own. KEY WORD: Genetic algorithm; Genetic operator; Evolutionary computation; coding 1.引言 现在，遗传算法正在迅速发展，遗传算法与其很强的解决问题能力和适合于复杂系统的自适应优化技术渗透到研究和工业工程领域，在电力系统，系统辨识,最优控制，模式识别等领域有了很广泛的应用，取得了很好的效果。 2.遗传算法基本思想 遗传算法是建立在自然选择和群体遗传学基础上的随机，迭代和进化，具有广泛适用性的搜索方法，所有的自然种类都是适应环境而生存，这一自然适用性是遗传算法的主要思想。 遗传算法是从代表问题可能潜在解集的一个种群开始的，而一个种群则经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体，其内部基因决定了个体的外部表现。因此，在一开始就要实现外部表现到内部基因的映射，即编码工作，通常采用二进制码。初始种群产生之后，按照适者生存和优胜劣汰的原则，逐代演化产生出越来越好的近似解。在每一代，根据问题域中个体的适应度大小选择个体，并借助自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集和种群，这种过程将导致种群像自然进化那样产生比前代更适应于环境的后代种群，末代种群中的最有个体经过解码，可以作为问题近似最优解。 遗传算法采纳了自然进化模型，如选择，交叉，变异等，计算开始时，种群随机初始化产生一定数目的N个个体，并计算每个个体的适应度函数，如果不满足优化准则，就开始新一代的计算。为了产生下一代，按照适应度选择个体父代进行基因重组二产生子代。所有的子代按一定的概率进行变异，子代取代父代构成新一代，然后重新计算子代的适应度。这一过程循环执行，直到满足优化准则为止。 3.遗传算法基本操作

有关儿童先天性心脏病的一些信息

有关儿童先天性心脏病的一些信息 据介绍，江西省为先心病救助对象手术治疗定点医院有6家，分别为南昌市第一医院、江西省人民医院、昌大一附医院、昌大二附医院、省儿童医院、赣南医学院第一附属医院。对于儿童专家建议在儿童医院会好些，但还要就情况而论。 中国江西网8月30日南昌讯（记者杨振康报道）省儿童医院首例儿童先天性心脏病免费救治手术在上午8时20开始，10时40分结束。记者从省儿童医院心脏病中心了解到，手术获得成功，目前孩子已经转入监护室病房，预计后天可以从监护室转出。 省儿童医院.江西省儿童医院省小儿心脏病治疗中心是江西省目前唯一的一所由省卫生厅批准授牌的治疗小儿心脏病的专科医疗机构中心自年成立以来已完成先心手术近台手术成功率%受术者最小年龄为９天最低体重kg其中小于岁的婴儿占%复杂先心占%手术死亡率% 南昌市第一医院.年我院率先在省内开展左右心导管检查及选择性冠状动脉造影术并获得市科技进步奖 先后开展了冠心病介入治疗快速心律失常射频消融术先天性心脏病介入治疗。 随之介绍江西省人民医院， 江西省人民医院心内科成立于年江西省心脏介入医学领先学科拥有省内一流的设备多年来心内二科全体医务人员紧跟国内外发展势态不断大胆引进新技术和新项目洪浪主任医师于率先在省内开展了冠心病心律失常先天性心脏病。 昌大一附医院.现共有各级医护人员余人每年门诊病人数达万人次住院病人达余人次广泛熟练地开展了冠心病心绞痛急性心肌梗死的经皮球囊扩张术及支架植入术快速性心律失常(阵发性室上性心动过速阵发性房扑房颤室性心动过速)的射频消融治疗先天性心脏病(房间隔缺损动脉导管未闭室间隔缺损)封堵术. 昌大二附医院.南昌大学第二附属医院心内科（原江西医学院第二附属医院心内科）建科于年心内科作为省内首先开展心脏病介入诊疗的学科在冠心病先天性心脏病心律失常等各个领域处于国内先进省内领先的地位 赣南医学院第一附属医院。这所医院有关心内科方面的了解甚少。 这几所医院比较了下，你们可根据自身特殊情况选择。 该病在为治疗前需要注意.一般不能受刺激、受惊吓的因为先天性心脏病的小儿往往体质较差，营养状况欠佳，机体防御能力不好，所以容易并发感染发热，而且病情演变较快、较重。反复呼吸道感染，除发热外，易并发心力衰竭等，有可能因此贻误治疗时机。所以当先天性心脏病的小儿出现发热，一定要及时就医，及时治疗。平时对这种小儿应加强护理，耐心喂养，冷暖得当，尽量预防感染，以争取治疗时机，提高小儿生存质量。 关于如何申请，则到当地卫生局申请现在国家有免费治疗心脏病等几项政策但还是需要自己承担一些费用一般是5000到10000元左右 在此，祝愿宝宝能早日恢复健康，并能永远快快乐乐！

儿童先天性心脏病思维导图

肺动脉狭窄
室间隔缺损 主动脉骑跨
四种畸形
右心室肥厚
青紫
缺氧发作 蹲踞
临床表现
杵状指（趾）
生长发育迟缓
青紫和杵状指（趾） 心前区隆起
体格检查
肺动脉第二音减弱或消失
脑血栓
脑脓肿
并发症
亚急性细菌性心内膜炎
实验室检查
心电图
胸部 X 线检查 超声心动图
辅助检查
心导管检查
心血管造影
及时治疗呼吸道感染
防治感染性心内膜炎
内科治疗
预防脱水及并发症
一期根治术
治疗要点
姑息手术 二期根治术
外科治疗
急诊手术
预后: 取决于并发症、严重程度、手术早晚
法洛四联症
管型
窗口型
分类
漏斗型
临床无症状 体检时发现心脏杂音
导管口径细
活动后气急
疲劳多汗 反复呼吸道感染 充血性心力衰竭
导管粗大
临床表现
青紫
声音嘶哑
消瘦，轻度胸廓畸形
心前区隆起，心尖搏动增强 胸骨左缘第 2-3 肋间连续性机器样杂音
体格检查
肺动脉瓣区第二心音增强或亢进
心电图
胸部 X 线检查 超声心动图
辅助检查
心导管检查
早产儿: 吲哚美辛或阿司匹林口服 介入性心导管术
内科治疗
治疗要点
手术治疗
预后: 取决于导管粗细及分流量大小
动脉导管未闭
肺动脉瓣狭窄（最常见）
漏斗部狭窄
分类
肺动脉干及肺动脉分支狭窄
轻度无症状
活动后气促
乏力、心悸
临床表现
生长发育落后
婴儿期青紫及右心衰
心前区隆起，胸骨左缘搏动较强
肺动脉瓣区收缩期震颤
喷射性全收缩期杂音
三尖瓣区收缩期吹风样杂音
体格检查
颈静脉怒张 肝肿大
右心室失代偿而扩大
下肢水肿
心电图
胸部 X 线检查 超声心动图
辅助检查
心导管检查
药物治疗: 前列环素 E1 介入性心导管术
内科治疗
活动后气促、心悸，或右心衰竭、发绀，或右心肥大伴劳损
治疗要点
休息时右心室收缩压＞60mmHg，或肺动脉—右心室压差＞30mmHg
手术治疗指征
肺动脉瓣口面积＜0.5cm2
预后: 取决于严重程度、并发症及手术早晚
肺动脉狭窄
儿童先天性心脏病
室间隔缺损 房间隔缺损
膜周部缺损
分类
漏斗部缺损
肌部缺损
小型
无明显症状 生长发育正常
临床表现
大中型
喂养困难，吸吮中断 面色苍白，多汗 生长发育落后
反复肺部感染，充血性心力衰竭
心前区隆起，心界向左下扩大
体格检查
收缩期震颤 肺动脉第二心音增强
右向左分流，出现青紫
心电图
辅助检查
胸部 X 线检查 超声心动图
心导管检查
治疗要点
内科治疗
防治并发症 介入性心导管术
手术治疗
预后
小型: 良好 大型: 婴儿期易心衰，年长后梗阻型肺动脉高压
原发孔型（5%-10%）
分类
继发孔型（70%）
静脉窦型（少见）
小型: 无症状
乏力
临床表现
大型缺损
体型瘦长 面色苍白
活动后气促
易患呼吸道感染
发育落后，消瘦
体格检查
心前区隆起，心尖搏动弥散，心浊音界扩大
肺动脉瓣区第二心音增强或亢进
心电图—电轴右偏不完全性右束支传导阻滞
胸部 X 线检查—“肺门舞蹈”征
辅助检查
超声心动图
心导管检查
心血管造影
治疗要点
介入性心导管术 手术治疗
预后: 较好

遗传算法概述

第1期作者简介：李红梅（1978-），女，湖南湘潭人，硕士，广东白云学院讲师，研究方向为演化计算。 1遗传算法的发展史 遗传算法（Genetic Algorithms ）研究的历史比较短，20世纪 60年代末期到70年代初期，主要由美国家Michigan 大学的John Holland 与其同事、学生们研究形成了一个较完整的理论 和方法，遗传算法作为具有系统优化、适应和学习的高性能计算和建模方法的研究渐趋成熟。我国对于GA 的研究起步较晚，不过从20世纪90年代以来一直处于不断上升中。 2遗传算法的基本思想 遗传算法是从代表问题可能潜在解集的一个种群（popu- lation ）开始的，而一个种群则由经过基因（gene ）编码（coding ） 的一定数目的个体（individual ）组成。每个个体实际上是染色体（chromosome ）带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现是某种基因组合，它决定了个体的形状的外部表现。初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation ）演化产生出越来越好的近似解。在每一代中，根据问题域中个体的适应度（fitness ）、大小挑选（selection ）个体，借助于自然遗传学的遗传算子（genetic operators ）进行组合交叉（crossover ）和变异（mutation ），产生出代 表新的解集的种群。这个过程将导致后生代种群比前代更加适应环境，末代种群中的最优个体经过解码（decoding ），可以作为问题近似最优解。 3遗传算法的一般流程 （1）随机产生一定数目的初始种群，每个个体表示为染色 体的基因编码； （2）计算每个个体的适应度，并判断是否符合优化准则。若符合，输出最佳个体及其代表的最优解并结束计算，否则转向第3步； （3）依据适应度选择再生个体，适应度高的个体被选中的概率高，适应度低的个体可能被淘汰； （4）执行交叉和变异操作，生成新的个体；（5）得到新一代的种群，返回到第2步。 4遗传算法的特点 传统的优化方法主要有三种：枚举法、启发式算法和搜索 算法： （1）枚举法 可行解集合内的所有可行解，以求出精确最 优解。对于连续函数，该方法要求先对其进行离散化处理，这样就可能因离散处理而永远达不到最优解。此外，当枚举空间比较大时，该方法的求解效率比较低，有时甚至在目前先进计算机工具上无法求解。 （2）启发式算法 寻求一种能产生可行解的启发式规则， 以找到一个最优解或近似最优解。该方法的求解效率比较高，但对每一个需求解的问题必须找出其特有的启发式规则。这个启发式规则一般无通用性，不适合于其它问题。 （3）搜索算法 寻求一种搜索算法，该算法在可行解集合 的一个子集内进行搜索操作，以找到问题的最优解或者近似最优解。该方法虽然保证不了一定能够得到问题的最优解，但若适当地利用一些启发知识，就可在近似解的质量和效率上达到一种较好的平衡。 遗传算法不同于传统的搜索和优化方法。主要区别在于： ①遗传算法直接处理问题参数的适当编码而不是处理参数集 本身。②遗传算法按并行方式搜索一个种群数目的点，而不是 遗传算法概述 李红梅 （广东白云学院计算机系，广东广州510450） 摘要：遗传算法是一种全局优化的随机搜索算法。它是解决复杂优化问题的有力工具。在工程设计、演化硬件电路 设计以及人工智能等方面应用前景广阔。系统地介绍了遗传算法的发展史、基本思想、特点、主要应用领域等相关方 面。 关键词：遗传算法；搜索；进化；最优解；种群中图分类号：TP312 文献标识码：A 文章编号：1672-7800（2009）01-0067-02 第8卷第1期2009年1月 Vol.8No.1Jan.2009 软件导刊 Software Guide

遗传算法概述

第一章 遗传算法概述 2.1 遗传算法的原理 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概率搜索算法。遗传算法是通过模拟生物在自然界中的进化过程而形成的一种优化算法。它的基本过程是：先随机生成规模为m 的初始群体，对连续优化问题即为n R 中的m 个点},,,{,},,,,{21112111m n m m m n x x x x x x x x ==的集合， },,,{21k sn k s k s x x x 称为个体或者染色体，通过对该群体使用遗传操作（包括选择、 交叉、变异遗传算子），得到m 个新的个体，这称作是群体的一代进化，相当于通常优化算法的一次迭代。不断重复这一过程，可看作是群体的逐代演化，直到得到满足给出条件的问题解。 可以看出，遗传算法的关键是进化过程中使用的遗传操作即选择、交叉和变异等算子，这些算子决定了下一代个体的具体位置。 选择策略对算法性能的影响有举足轻重的作用。常用的是轮盘选择和精英选择。 a. 轮盘选择（roulette wheel selection ） 选择的基本依据是个体的适应值，对于最小化问题，个体适应值取为)()(x f K x f -='，其中K 为一足够大的正数。定义第i 个体的选择概率为 ∑=''=n i i i i x f x f p 1)() ( （3） 其意义是个体适应值在群体总适应值中所占的比例。生成一个[0,1]内的随机数r ，若i i p p p r p p p +++≤<+++- 21110，假设00=p ，则选择个体i 。 b. 精英选择（elitist selection ） 当下一代群体的最佳个体适应值小于当前群体最佳个体的适应值，则将当前群体最佳个体或者适应值大于下一代最佳个体适应值的多个个体直接复制到下一代，随机替代或替代最差的下一代群体中的相应数量的个体。 交叉与变异算子的选取与编码方式有关，最初Holland[5] 提出的遗传算法是采用二进制编码来表现个体，后来发现对连续优化问题采用浮点编码可以达到更好的效果，因此越来越多地使用浮点编码，下述的交叉、变异算子针对浮点编码。

遗传算法开题报告

毕业设计（论文）开题报告 学院：计算机与信息工程学院2015 年 3 月23日（学生填表）课题名称遗传算法在玻璃原料配送中的应用 学生姓名专业班级计算机科学 与技术课题类型软件工程 指导教师职称高工课题来源工程 1. 综述本课题国内外研究动态，说明选题的依据和意义 1.1国内外研究动态 遗传算法(GeneticAlgorithms，简称GA)是人工智能的一个重要分支，它是基于Darwin的进化论，在计算机上模拟生命进化机制而发展起来的一门新学科，是生命科学与工程科学互相交叉、互相渗透的产物[21。遗传算法由美国J．H．Holland博士1975年提出，随后经过多年的发展，取得了丰硕的应用成果和理论研究的进展。从1985年在美国卡耐基一梅隆大学召开的第一届国际遗传算法会议到1997年，遗传算法作为具有系统优化、适应和学习高性能计算和建模方法的研究渐趋成熟。 遗传算法本质上是一种求解问题的高度并行性全局搜索算法，它能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最优解。遗传算法提供了一种求解复杂系统优化问题的通用框架，它不依赖于问题的具体领域，对问题种类有很强的鲁棒性，因此能够广泛应用于很多学科。目前，遗传算法已在函数优化、组合优化、生产调度问题、自动控制、机器人智能控制、图像处理、模式识别、人工智能、遗传程序设计和机器学习等领域投入应用并取得了一定的成果。 旅行商问题(Traveling Salesman Problem，简记TSP)是组合数学中一个古老而又困难的问题，也是一个典型的组合优化问题，现已归入NP完备问题类。TSP问题的历史可以分成以下几个阶段：1800—1900年，首次描述TSP；1920．1950年；开始意识到TSP是“难"的问题；1954年，42城市的TSP求得最优解。从1954年以后，求得最优解的TSP规模越来越大，在1998年，求得了模拟美国13509个城镇的最优解，在2001年，求得了模拟德国15112个城镇的最优解，但这一工程代价也是巨大的，据报道，解决15112个城镇问的TSP共使用了美国Rice大学和普林斯顿大学之间网络互连的、由速度为500MHz的CompaqEV6 Alpha处理器组成的110台计算机，所有计算机花费的时间之和为22．6年。在2004年5月，瑞典求得了模拟24978城镇的最优解。TSP可能的路径总数与城市数目n是成阶乘数增长的，故一般很难精确地求出其最优解。对于这个问题，不论是传统的动态规划、分枝定界法、贪婪法等方法，还是在近些年的研究过程中采用的各种智能优化算法(禁忌搜索(tabusearch)、模拟退火(simulated annealing)、遗传算法(genetic algorithms)、人工神经网络(neural networks)、蚂蚁算法(ant algorithms)以及它们的混合算法等)，都存在解的质量不高或者需要的时空开销太大等问题。 1.2选题依据及意义

遗传算法综述

随着经济社会的迅猛发展, 人类科学研究与生产活动的广度与深度都大大拓展了，其中涌现出的大量具有各种非线性、不确定、不能精确解析以及建模机理复杂的新课题对信息与控制科学提出了前所未有的挑战。正是在这种背景下, 各种智能信息处理算法如雨后春笋般涌现出来。作为智能信息处理算法中的重要一员, 遗传算法近年来以其独特而卓越的性能引起了人们的广泛关注。 对于以往难以解决的函数优化问题,复杂的多目标规划问题，工农业生产中的配管、配线问题，以及机器学习，图象识别，人工神经网络的权系数调整，模糊规则的优化和网络构造等诸多问题，GA遗传算法以其出色的表现，已成为人们最常用也最有效的方法之一。虽然GA在许多优化问题中都有成功的应用，但其本身也存在一些不足，主要有：局部搜索能力弱、存在早熟成熟现象、收敛于局部最优解、随机漫游或振荡等现象，从而影响算法的收敛性能，降低了遗传算法的可信度。如何改善遗传算法的搜索能力和提高算法的收敛速度，使其更好地解决实际问题,是各国学者一直努力探索的一个主要课题。纵观成百上千的对遗传算法进行改进研究文献，其主要改进措施多集中在以下几个方面： 1．对遗传算法本身缺点的改进 1.1对遗传算法本身单一缺点的改进 种群人们主要关心的是种群中个体分布的多样性，这决定着运行遗传算法的效率，与种群相关的因素有种群个数，种群大小及初始种群三方面。

种群个数采用多个子种群并行搜索思想，有效避免了欺骗问题，提高了算法成功的概率。典型应用就是小生境技术，种群由M个子种群组成，每个子种群独立进化，种群间通过种群迁移∕移民等机制完成个体信息的交换。借鉴子种群并行的思想，发展出了思维进化计算，文献【】和量子衍生遗传算法或量子衍生进化计算，文献【】【】。 种群大小大致有固定种群和动态种群两种。 初始种群对于初始种群的生成主要是改变了以往单靠随机生成的缺点，引进了解空间格点化法或数论中均匀设计法，使产生的点集能均匀地分布于解空间。当然采用随机与均匀混合生成的初始种群，可以包含更丰富的解空间模式。文献【】,给出了用点的低序列差均匀生成初始种群的方法。（当然这些方法 编码经典的标准遗传算法( SGA )中，Holland运用模式定理分析编码机制时,建议采用二进制编码，其优点是简易稳定，但二进制编码具有不能直接反映问题的固有结构，解码复杂，精度不高，个体长度太长，占用计算机内存多和空间效率不高的缺点。它早已不能适应人们处理问题多样化的事实。 针对上述缺陷, 人们采用Gray编码和动态编码等方法成功地减少了编码的尺寸和复杂度，提高了局部搜索性能和速度。文献【】，给出了采用了性别编码，检测仿真表明其性能优于二进制和格雷码；采用染色体隐式解码算法，使得解码速度提高了6~50倍[9]；采用实数或浮点数的矩阵形式或复数形式的编码方法，实现了无需解码可直

小儿先天性心脏病护理常规

小儿先天性心脏病护理常规 先天性心脏病是胎儿时期心脏及大血管发育异常导致的畸形，是儿童最常见的心脏病，发病率约占活产婴儿的0.7％左右，早产儿为足月儿的2～3倍。小儿先天性心脏病中最常见的是室间隔缺损、房间隔缺损、动脉导管未闭、法洛四联症和大动脉错位，护理常规如下： 1. 心理护理 关爱患儿，建立良好的护患关系，充分理解家长及患儿对检查、治疗、预后的期望心情；要鼓励患儿进行适当的活动或游戏，鼓励患儿与正常儿童接触，以建立正常的社会行为方式，使患儿保持精神愉快，树立战胜疾病的信心，主动配合检查及治疗。消除恐惧心理、乐观态度、坚持服药。 2. 一般护理 应保持病室环境安静，阳光充足，空气清新，室内温、湿度适宜。床铺清洁、舒适，被褥、衣着合适。建立合理生活制度，安排好患儿作息，减少心脏负担、保证患儿充分休息与睡眠，根据病情安排适当活动量。有症状患儿应限制活动，避免情绪激动和大哭大闹，严重患儿应卧床休息。各种诊疗、护理操作动作宜轻、快，并应集中在同一时间内完成，以避免多次扰动患儿。患儿烦躁不安时可适当给予镇静剂。 3. 饮食护理 注意营养搭配，供给充足能量、蛋白质和维生素，保证营养需要，增强体质，以提高对手术的耐受。小儿喂养困难者要慢喂，宜少量多餐，避免吃奶时呛咳和加重呼吸困难。合并心功能不全的患儿防喂食过饱，人工喂养儿奶嘴出奶孔不可太细，以免增加吸吮时体力消耗，喂养过程中，应拔出奶嘴驱气后再喂，如出现发绀加重，应暂停喂养，并给予氧气吸入，待缺氧症状改善后，再行喂养，必要时从静脉补充营养。年长儿可鼓励集体进餐，以提高食欲。心功能不全时有水钠潴留，应根据病情，采用无盐饮食或低盐饮食。保持大便通畅，防止便秘。 4. 病情观察，预防感染

遗传算法的数据挖掘综述

基于遗传算法的数据挖掘综述 朱玲 (江西理工大学信息工程学院，赣州市中国 341000) 摘要：本文定义了遗传算法概念和理论的来源，介绍遗传算法的研究方向和应用领域，解释了遗传算法的相关概念、编码规则、三个主要算子和适应度函数，描述遗传算法计算过程和参数的选择的准则，并且在给出的遗传算法的基础上结合实际应用加以说明。 关键词：数据挖掘;遗传算法 Data Mining Based on Genetic Algorithm Zhu Ling (College of Information Engineering, Jiangxi University of Science and Technology, Ganzhou, China 341000) Abstract:This paper defines the concept of genetic algorithm and the source of the theory, introduces the research direction and application field of genetic algorithm, explains the related concepts, coding rules, three main operators and fitness functions of genetic algorithm, describes the genetic algorithm calculation process and Parameter selection criteria, and in the given genetic algorithm based on the combination of practical applications to be explained. Key words: data mining; genetic algorithm 前言 遗传算法(genetic algorithm，GAs)试图计算模仿自然选择的过程，并将它们运用于解决商业和研究问题。遗传算法于20世界六七十年代由John Holland[1] 发展而成。它提供了一个用于研究一些生物因素相互作用的框架，如配偶的选择、繁殖、物种突变和遗传信息的交叉。在自然界中，特定环境限制和压力迫使不同物种竞争以产生最适应于生存的后代。在遗传算法的世界里，会比较各种候选解的适合度，最适合的解被进一步改进以产生更加优化的解。 遗传算法借助了大量的基因术语。遗传算法的基本思想基于达尔文的进化论和孟德尔的遗传学说，是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法。生物在自然界的生存繁殖，显示对其自然环境的优异自适应能力。受其启发，人们致力于对生物各种生存特性的机制研究和行为模拟。通过仿效生物的进化与遗传，根据“生存竞争”和“优胜劣汰”的原则，借助选择、交叉、变异等操作，使所要解决的问题从随机初始解一步步逼近最优解。现在已经广泛的应用于计算机科学、人工智能、信息技术及工程实践。[2]在工业、经济管理、交通运输、工业设计等不同领域，成功解决了许多问题。例如，可靠性优化、流水车间调度、作业车间调度、机器调度、设备布局设计、图像处理以及数据挖掘等。遗传算法作为一类自组织于自适应的人工智能技术，尤其适用于处理传统搜索方法难以解决的复杂的和非线性的问题。 1.遗传算法的应用领域和研究方向 1.1遗传算法的特点 遗传算法作为一种新型、模拟生物进化过程的随机化搜索方法，在各类结构对象的优化过程中显示出比传统优化方法更为独特的优势和良好的性能。它利用其生物进化和遗传的思想，所以它有许多传统算法不具有的特点[3]： ※搜索过程不直接作用在变量上，而是作用于由参数集进行了编码的个体上。此编码操作使遗传算法可以直接对结构对象进行操作。 ※搜索过程是从一组解迭代到另一组解，采

新生儿先天性心脏病筛查制度资料讲解

新生儿先天性心脏病 筛查制度

新生儿先天性心脏病筛查 技术规范 儿童先天性心脏病（以下简称先心病）筛查是为了早期发现先天性心脏病儿童，及时给予诊断、治疗，提高儿童健康生存水平，减少死亡。 一、筛查对象与时间 （一）对象：在本辖区出生及居住的新生儿。 （二）时 间：在新生儿初次访视、满月访视时，以及1月龄的定期健康检查时进行。 二、筛查设备 （一）听诊器：医用听诊器。配备钟式和膜式两种胸件。 （二）经皮测氧仪： 经皮测氧仪参考技术参数： 1、血氧饱和度测量范围：0?100%精确度土1% 2、测试探头：适合各年龄段（新生儿、婴儿、幼儿）儿童使用的不同测试探头，耗材较少，能够持续性使用。 3、视窗显示：血氧饱和度、心率。视窗明亮易读，字体明显清晰。 4、温湿度：适于四季外出携带并进入室内测量的温湿环境。 5、电源要求：电源充电和（或）普通电池充电，测量耗

电少、价格低廉 6、体积、重量：外观体积应小于15 cm （高）X 10 cm （宽）X 3.3 cm （厚）；重量应小于250克。 三、筛查方法及步骤 （一）告知：告知家长本次筛查目的、方法，征得家长同 丿意、。 （二）询问：询问家长，儿童是否有喂养困难、呼吸急促或困难、多汗等表现。 （三）观察：观察儿童是否有紫绀（面色、口唇、舌、指趾甲床）、声音嘶哑、生长发育迟缓等表现。 （四）心脏听诊： 1、听诊环境相对安静，并尽可能在儿童平静状态下听诊。 2、在听诊前需检查听诊器是否处于正常状态，使用时耳具要恰好封住外耳道口。 3、听诊部位：分别在胸部体表的二尖瓣听诊区、主动脉瓣听诊区、肺动脉瓣听诊区进行心脏听诊。 4、听诊时注意心率、心律、心音以及心脏杂音的性质、时间、程度。 （五）使用经皮测氧仪进行测试 1、测试时间：新生儿初次访视、满月访视时均要使用经皮测氧仪测试血氧饱和度；定期健康检查中如发现先心病可疑征象时要加测血氧饱和度。 2、步骤：打开经皮测氧仪开关，将专用指套或指夹，夹（套）于新生儿（或儿童）指（趾）端的最佳位置，观察仪器

遗传算法综述

遗传算法综述 史俊杰 摘要：遗传算法来源于进化论和群体遗传学，是计算智能的重要组成部分，正受到众多学科的高度重视。本文主要回顾了遗传算法的起源和发展历程，并对遗传算法的基本原理及特点作了简要阐述。进一步指出了遗传算法存在的问题及相应的改进措施，讨论了遗传算法在实际中的应用，并对遗传算法的未来的发展进行了探讨。 关键字：遗传算法，适应度函数，神经网络 1.遗传算法的起源 遗传算法(Genetic Algorithm，GA)是模拟自然界生物进化机制的一种算法，即遵循适者生存、优胜劣汰的法则，也就是寻优过程中有用的保留，无用的则去除。在科学和生产实践中表现为，在所有可能的解决方法中找出最符合该问题所要求的条件的解决方法，即找出一个最优解。这种算法是1960年由Holland提出来的，其最初的目的是研究自然系统的自适应行为，并设计具有自适应功能的软件系统。 2.遗传算法的发展过程 从二十世纪六十年代开始，密切根大学教授Holland开始研究自然和人工系统的自适应行为，在这些研究中，他试图发展一种用于创造通用程序和机器的理论。在六十年代中期至七十年代末期，Bagly发明“遗传算法”一词并发表了第一篇有关遗传算法应用的论文。1975年竖立了遗传算法发展史上的两块里程碑，一是Holland出版了经典著作“Adaptation in Nature and Artifieial System”，二是Dejong完成了具有指导意义的博士论文“An Analysis of the Behavior of a Class of Genetie Adaptive System”。进入八十年代，随着以符号系统模仿人类智能的传统人工智能暂时陷入困境，神经网络、机器学习和遗传算法等从生物系统底层模拟智能的研究重新复活并获得繁荣。进入九十年代，以不确定性、非线性、时间不可逆为内涵，以复杂问题为对象的科学新范式得到学术界普遍认同，如广义进化综合理论。由于遗传算法能有效地求解属于、NPC类型的组合优化问题及非线性多模型、多目标的函数优化问题，从而得到了多学科的广泛重视。3.遗传算法特点 遗传算法作为具有系统优化、适应和学习的高性能计算和建模方法的研究渐趋成熟。遗传算法具有进化计算的所有特征，同时又具有自身的特点： （1）搜索过程既不受优化函数的连续性约束，也没有优化函数导数必须存在的要

第一章 遗传算法概述

第一章遗传算法概述 遗传算法(Genetic Algorithm，简称GA)起源于对生物系统所进行的计算机模拟研究。美国Michigan大学的Holland教授及其学生受到生物模拟技术的启发，创造出了一种基于生物遗传和进化机制的适合于复杂系统优化的自适应概率优化技术——遗传算法。1967年，Holland的学生Bagley在其博士论文中首次提出了“遗传算法”一词，他发展了复制、交叉、变异、显性、倒位等遗传算子，在个体编码上使用双倍体的编码方法。Holland教授用遗传算法的思想对自然和人工自适应系统进行了研究，提出了遗传算法的基本定理——模式定理(Schema Theorem)，并于1975年出版了第一本系统论述遗传算法和人工自适应系统的专著《Adaptation in Natural Land Artificial Systems》。80年代，Holland教授实现了第一个基于遗传算法的机器学习系统，开创了遗传算法的机器学习的新概念。1975年，De Jong 基于遗传算法的思想在计算机上进行了大量的纯数值函数优化计算实验，树立了遗传算法的工作框架，得到了一些重要且具有指导意义的结论。1989年，Goldberg出版了《Genetic Algorithm in Search，Optimization and Machine Learning》一书，系统地总结了遗传算法的主要研究成果，全面完整地论述了遗传算法的基本原理及其应用。1991年，Davis出版了《Handbook of Genetic Algorithms》一书，介绍了遗传算法在科学计算、工程技术和社会经济中的大量实例。1992年，Koza将遗传算法应用于计算机程序的优化设计及自动生成，提出了遗传编程(Genetic Programming，简称GP)的概念。遗传算法被众多的使用者证明在控制系统的离线设计方面是有效的策略。例如，Krishnakumar和Goldberg 以及Bramlette和Cusin已证明使用遗传优化方法在太空应用中导出优异的控制器结构比使用传统方法如LQR和Powell(鲍威尔) 的增音机设计所用的时间要少(功能评估)。Porter和Mohamed展示了使用本质结构分派任务的多变量飞行控制系统的遗传设计方案。与此同时，另一些人证明了遗传算法怎么能在控制器结构的选择中使用。 从遗传算法的整个发展过程来看，70年代是兴起阶段，80年代是发展阶段，90年代是高潮阶段。遗传算法作为一种实用、高效、鲁棒性强的优化技术，发展极为迅速，已引起国内外学者的高度重视。 1.1 遗传算法概念 生物的进化(Evolution)过程主要是通过染色体之间的交叉和变异来完成的。基于对自然界中生物遗传与进化机理的模仿，针对不同的问题，很多学者设计了许多不同的编码方法来表示问题的可行解，开发出了许多种不同的编码方式来模仿不同环境下的生物遗传特性。这样，由不同的编码(Coding)方法和不同的遗传算子就构成了各种不同的遗传算法。 什么是遗传算法？ 遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，它借鉴了达尔文的进化论和孟德尔的遗传学说。其本质是一种高效、并行、全局搜索的方法，它能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最优解。遗传算法操作使用适者生存的原则，在潜在的解决方案种群中逐次产生一个近似最优的方案。在遗传算法的每一代，根据个体在问题域中的适应度值和从自然遗传学中借鉴来的再造方法进行个体选择，产生一个新的近似解。这个过程导致种群中个体的进化，得到的新个体比原个体更能适应环境，就像自然界中的改造一样。 个体或当前近似解被编码为由字母组成的串，即染色体（Chromosome），使基因(Gene，染色体值) 能在(表现) 域决策变量上被惟一地描述。尽管可以使用二进制、整数、实数等，