物种遗传多样性的综述
遗传多样性具有特异性，即任何物种都具有特有的基因序列和遗传结构，也就是说生物世界中存在着极为丰富的遗传突变。种内遗传多样性的丰富度对物种的生存至关重要。一个居群( 或物种)遗传多样性越高即遗传变异越丰富，对外界环境变化的潜在适应性就越强，越易扩展其分布范围和开拓新的环境。
对珍稀濒危植物遗传多样性的研究可以揭示物种或居群的进化历史( 起源时间、方式等) ，探讨物种稀有或濒危原因和过程，并且进一步分析其进化潜力。
关于物种的遗传多样性的研究主要应用的手段为（1，形态标记（利用植物外部形态特征的差异来区分个体的方式）、2，染色体标记（染色体标记是物质的载体，是基因的携带者。主要包括染色体数目的变异和结构的变异）3，生化标记（植物的组织蛋白粗提取物中含有许多不同的贮藏蛋白和同工酶等生化物质。通过电泳和染色法，将蛋白质的多种形式转化为酶谱带型，据此可以进行物种间亲缘关系的分析及纯度鉴定）4，DNA分子标记（DNA分子碱基序列的变异为基础的遗传标记方法，更直接揭示植物基因DNA水平上的多态性）。
DNA分子标记：
1)RFLP. RFLP 是DNA限制性片段长度多态性的简称.RFLP是最早的分子标记技术，该方法是利用已知的限制性内切酶酶切个体基因组 DNA，然后用已标记的探针与之杂交.由于各种限制性内切酶能够识别一的碱基序列，DNA序列的变化会增减酶切位点的数目，因
此在不同个体中与同一探针杂交的 DNA片段会存在长度上的差异，即显示出多样性.
2)RAPD.RAPD是随机扩增多态性DNA.RAPD是利用随机引物( 通常为 10个核苷酸) 对基因组 DNA进行PCR扩增而产生多态性DNA 片段，而后经琼脂糖凝胶电泳分离，经EB染色或放射自显影来检测DNA序列的多态性.
3)AFLP.AFLP是扩增片段长度多态性.AFLP是将RFLP与PCR技术结合，设计人工合成的限制性内切酶通用接头以及可以序列配对的专用引物，对不同材料DNA酶切片段存在的差异进行选择性扩增。在试验过程中，将双链接头连接到事先用限制性内切酶酶切后产生的DNA片段末端，然后以接头序列和邻近的限制性位点序列为引物结合位点进行扩增，最后分离扩增出的 DNA 片段进行检测。
4)SSR.SSR是简单序列重复.是基因组中简单串联重复序列因重复次数的不同而形成的多态性。基因组中的重复序列按照重复单元的大小可分为卫星序列、小卫星序列和微卫星序列。微卫星DNA标记技术是 DNA分子标记技术中极具潜力的分子标记，是目前最先进的遗传标记技术之一.微卫星的重复单元一般在 2-5个核苷酸，串联重复的长度可达几十甚至几百个核苷酸序列。拷贝数目的不同造成微卫星具有极为丰富的多态性。微卫星两端通常是保守序列，因此可以据该设计扩增微卫星的引物序列。直接对微卫星进行测序，然后根据两端的核苷酸序列得到引物序列，无疑是最直接、最简单的方法，但是鉴于工作量、经济等方面的考虑，通常不会选用这种方法。目前，依据相关原理而编写出的引物设计软件已经被开发出来，在科研中也得到越来越广泛的使用。同样，因为微卫星两端的
引物通常是保守序列，微卫星引物在同属的亲缘关系较近的物种之
间具有一定的通用性，因此近缘物种筛选法也是获取微卫星引物的
主要方法之一。该方法能够大大节省投入在引物设计上的时间与成
本等。
5）SNP.SNP是单核苷酸多态性.是指染色体基因组上由单碱基变
异( 转换、颠换、插入和缺失) 引起的DNA序列多样性.其中，单
碱基的转换与颠换最常见。转换是基因组某个位点上一种嘧啶/嘌呤
置换另一种嘧啶/嘌呤，而颠换是嘌呤与嘧啶互换。理论上，突变可
以发生在任何一种碱基上，但实际上 SNP较多发生在 T 和 C之间。在4种置换方式上，C-T(G-A)转换最常见，约占2/3。SNP标记具有
稳定性高、代表性强、位点丰富、分布广泛等特点，并且具有二等
位性，易于实现分析的自动化。随着技术手段的不断改进，SNP标
记的检测成本也将大大降低，因此,SNP具有极高的理论与应用价值。在众多分子标记中，SNP已成为研究最多、最具前景的标记技术之一。
1、基因流是群体间以及群体内不同个体间基因信息的传播和交流，通常通过花粉、种子以及克隆体的传播实现。基因流的程度受
到传播方式、传播机制以及群体间地理距离的影响。长距离的基因
流通常依靠种子的散布实现。
诚然，由于人类活动的日益频繁，人为造成的植物资源的过
度利用及生境的破碎、丧失已经成为威胁珍稀濒危植物生存的最主
要因素，但是不容忽视的是，繁育系统、基因流、自然选择等也会
严重制约物种的生存。因此，只有综合各因素的影响作用，才能制
定出科学的保护措施。
遗传多样性水平在一定程度上体现着物种适应环境的能力,制约着物种进化的水平,同时为评价保护价值、就地和迁地保护提供重要的信息(Ｈｏｇｂｉｎ,1999)。
一、遗传多样性的意义：
1、采用等位酶电泳技术，对裸果木种群进行遗传分析，以了解裸
果木的遗传多样性水平，为进一步研究裸果木的遗传变异、进化潜力及采取合理的保护措施提供参考资料。
二、影响遗传多样性等的因素：
物种以风媒传份为主，种子外被种毛，种子的重量较轻，花粉和种子可以借助风和水传播的较远。植物种群间的基因流主要是靠花粉和种子的扩散，各种群间距离也较近，因此种群间存在基因交流。
三、实验方法：
1.（等位酶电泳的方法）
取样和样品处理实验材料取样地点和生境特点。每个种群随机采集30株左右成熟单株的果实,晾干后脱粒,获取种子,每单株土培40粒种子待用。
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
生物遗传多样性 陈XX 2009XXXXXXX 生命科学学院生物技术09级X班 摘要遗传多样性是生物多样性的重要组成部分。广义的遗传多样性是指地球上生物所携带的各种遗传信息的总和。这些遗传信息储存在生物个体的基因之中。因此，遗传多样性也就是生物的遗传基。狭义的遗传多样性：是指同一生物物种内不同种群之间或同一种群内不同个体之间的遗传变异的总和。主要包括染色体水平的多样性和DNA水平（基因）的变异性。其包括表型的多样性，染色体的多样性，蛋白质的多样性，基因的多样性。遗传的多样性还受环境有关。生物遗传的多样性其对生物的稳定有很重要的意义，所以研究遗传多样性有很重要的意义。 关键词生物多样性遗传多样性基因环境 生物多样性是指地球上的生物所有形式、层次和联合体中生命的多样化，简单地说，生物多样性是生物及其与环境形成的生态复合体以及与此相关的各种生态过程的总和。生物多样性可分为三个层次：基因多样性、物种多样性和生态系统多样性。多样性又包括动物、植物、微生物的物种多样性，物种的遗传与变异的多样性及生态系统的多样性。其中，遗传多样性是指生物体内决定性状的遗传因子及其组合的多样性。物种多样性是生物多样性在物种上的表现形式。变异是生物多样性的主要源泉，变异的类型有基因突变、染色体结构变异和染色体数量变异。 1.生物多样性概念的提出 第二次世界大战以后，国际社会在发展经济的同时更加关注生物资源的保护问题，并且在拯救珍稀濒危物种、防止自然资源的过度利用等方面开展了很多工作。1948年，由联合国和法国政府创建了世界自然保护联盟（IUCN）。1961年世界野生生物基金会建立。1971年，由联合国教科文组织提出了著名的"人与生物圈计划"。1980年由IUCN等国际自然保护组织编制完成的《世界自然保护大纲》正式颁布，该大纲提出了要把自然资源的有效保护与资源的合理利用有机地结合起来的观点，对促进世界各国加强生物资源的保护工作起到了极大的推动作用。 20世纪80年代以后，人们在开展自然保护的实践中逐渐认识到，自然界中各个物种之间、生物与周围环境之间都存在着十分密切的联系，因此自然保护仅仅着眼于对物种本身进行保护是远远不够的，往往也是难于取得理想的效果的。要拯救珍稀濒危物种，不仅要对所涉及的物种的野生种群进行重点保护，而且还要保护好它们的栖息地。或者说，需要对物种所在的整个生态系统进行有效的保护。在这样的背景下，生物多样性的概念便应运而生了。 2.生物多样性的主要组成 通常包括遗传多样性、物种多样性和生态系统多样性三个组成部分。 （1）物种多样性 (species diversity) 物种多样性是群落生物组成结构的重要指标，它不仅可以反映群落组织化水平，而且可以通过结构与功能的关系间接反映群落功能的特征。 生物群落多样性研究始于本世纪初叶，当时的工作主要集中于群落中物种面积关系的探讨和物种多度关系的研究。1943年，Williams在研究鳞翅目昆虫物种多样性时，首次提出了"多样性指数"的概念，之后大量有关群落物种多样性的概念、原理、及测度方法的论文和专著被发表，形成了大量的物种多样性指数，一度给群落多样性的测度造成了一定混乱。自70年代以后，Whittaker（1972）、
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
遗传算法综述 太原理工大学刘晶学号：s2******* 摘要：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得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的方案。遗传算法作为一种实用、高效、鲁棒性强的优化技术，有着广泛的应用前景。 关键词：遗传算法数学模型优点流程 一，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，创造了一种基于生物遗传和进化机制的适应于复杂系统优化的自适应概率优化技术———遗传算法。 二，基本遗传算法的数学模型。基本遗传算法可表示为：SGA=（C，E，P0，M，Φ，Γ，Ψ，T）式中，C为个体的编码方法；E 为个体适应度评价函数；P0 为初始种群；M为种群大小；Φ为选择算子；Γ为交叉算子；Ψ为变异算子；T为遗传运算终止条件。 三，遗传算法的优点。 3.1 对可行解的广泛性表示。遗传算法的处理对象不是参数本身，而是针对那些通过参数集进行编码得到的基因个体。次编码操作
使得遗传算法可以直接对结构对象进行操作。 （1）通过对连接矩阵的操作，遗传算法可用来对神经网络或自动机的结构或参数加以优化。 （2）通过对集合的操作，遗传算法可实现对规则集合和知识库的精炼而达到高质量的机器学习目的。 （3）通过对树结构的操作，用遗传算法可得到用于分类的最佳决策树。 （4）通过对任务序列的操作，遗传算法可用于任务规划，而通过对操作序列的处理，可自动构造的顺序控制系统。 3.2 群体搜索特性。许多传统的搜索方法都是单点搜索，这种点对点的搜索方法，对于多峰分布的搜索空间常常会陷于局部的某个单峰的极值点，相反，遗传算法采用的是同时处理群体中多个个体的方法。 3.3 不需要辅助信息。遗传算法仅用适应度函数的数值来评估基因个体，并在此基础上进行遗传操作。更重要的是，遗传算法的适应度函数不仅不受连续可微的约束，而且某定义域可以任意设定。对适应度函数的唯一要求是，编码必须与可行解空间对应，不能有死码。由于限制条件的缩小，使得遗传算法的应用范围大大扩展。 3.4 内在启发式随机搜索特性。遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导它的搜索方向。概率仅仅是作为一种工具来引导其搜索过程朝着搜索空间的更优化的解区域移动的。虽然看起来它是一种盲目搜索方法，实际上它有明确的搜索方向，具有内
遗传算法综述 遗传算法是计算数学中用于解决最优化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。 在阅读了一些相关资料后，我整理出这篇综述，将通过五个部分来介绍遗传算法以及其在计算机科学领域的相关应用、 一、起源和发展分支 尝试性地将生物进化过程在计算机中模拟并用于优化问题求解开始于20世纪50年代末，其目的是将生物进化的思想引入许多工程问题中而成为一种优化工具，这些开拓性的研究工作形成了遗传算法的雏形。但当时的研究进展缓慢，收效甚微。原因是由于缺少一种通用的编码方式，人们只有通过变异才能改变基因结构，而无法使用交叉，因而增加了迭代次数。同时算法本身需要较大的计算量，当时的计算机速度便无法满足要求，因而限制了这一仿生过程技术的迅速发展。20世纪60年代中期，Holland在Fraser和Bremermann等人研究成果的基础上提出了位串编码技术，这种编码技术同时适用于变异操作和交叉操作。 遗传算法的真正产生源于20世纪60年代末到70年代初，美国Michigan大学的Holland教授在设计人工适应系统中开创性地使用了一种基于自然演化原理的搜索机制，并于1975年出版了著名的专著“Adaptation in Natural and Artificial Systems”，这些有关遗传算法的基础理论为遗传算法的发展和完善奠定了的基础。同时，Holland教授的学生De Jong首次将遗传算法应用于函数优化中，设计了遗传算法执行策略和性能评价指标，他挑选的5个专门用于遗传算法数值实验的函数至今仍被频繁使用，而他提出的在线(on-line)和离线(off-line)指
龙源期刊网 https://www.doczj.com/doc/ca3633027.html, 林木遗传多样性研究方法及保护措施概述 作者：刘迪商涛李鑫刘洋 来源：《农民致富之友·下半月》2013年第02期 [摘要] 遗传多样性的研究方法从个体形态学水平、细胞学水平、生理生化水平发展到了分子水平，研究层次也随之深入。本文总结了不同水平的林木遗传多样性研究方法，探讨了保护林木遗传多样性的有效措施。 [关键词] 林木遗传多样性研究方法保护措施 一、林木遗传多样性研究方法 生物多样性的基础是遗传多样性，遗传多样性是指种内基因的变化，也称为基因多样性[1]。对于林木遗传多样性的研究，首先注意到的是林木遗传变异的研究。其研究包括地理种源、林分、个体、个体内变异四个方面。这些变异体现在表型、细胞、生化、DNA 分子等不同水平上[2]，一个种群遗传多样性越高或越丰富，适应环境的能力就越强。多样性的测定对 研究物种起源、基因资源分布和进化潜力等具有重要意义[3，4]。 表型标记是最初的遗传标记，用表型标记检测遗传多样性是最直接、最简便易行的方法。植物群体在长期适应环境过程中，个体和群体之间存在着不同的形态变异。同一树种分布在不同环境中，受环境和基因交流的限制，表型性状也存在着一定的差别[5]。遗传性状稳定、多 态性好的表型至今在分类学和遗传学中广泛应用。其中叶形态是一个重要的表型特征[6]。表 型标记虽然具有直观易辨、造价低廉等优点，但在揭示品种间的差异上，存在着一定的局限。 染色体是遗传物质的载体，是基因的携带者，与形态学变异不同，染色体变异（畸变）必然导致遗传变异的发生，是林木遗传变异的重要来源[7]，染色体的变异主要表现为染色体形 态与结构的变异和染色体数目的变异两种类型，染色体研究技术的发展，如细胞原位杂交技术的应用，在染色体水平上将揭示出更加丰富的遗传多样性[8]。由于某些林木物种对染色体数 目和结构变异反应敏感，有些则适应变异的能力较差。到目前为止，可利用的细胞学标记仍屈指可数[9]。 生化标记主要包括同工酶和贮藏蛋白，20世纪50年代以后出现的蛋白质电泳技术[10]，使根据具有的相同生物功能但蛋白质组成不同的酶来反映个体或群体之间差异的同工酶标记发展起来了[11]。同工酶遗传变异多存在于林木群体内或种源内，群体多样性程度也与地理距离存在一定的关系。然而，由于同工酶电泳技术只能检测编码酶蛋白的基因位点，对非结构基因则无能为力，限制了这种技术的广泛应用[8]。 近年来，生物化学和分子生物学技术迅猛地发展，一些相对简便且花费不高的分子生物 学方法为更好地组织群体内部有用的遗传变异提供信息。以DNA多态性为基础的遗传标记，
西北农林科技大学 2009级硕博连读研究生学位论文开题报告 黄牛、水牛和牦牛Y染色体分子遗传多样性与起源研究Y-chromosome Molecular Genetic Diversity and Origins in Cattle, Buffalo and Yak 学院：动物科技学院 学科、专业：动物遗传育种与繁殖 研究方向：动物遗传学 研究生：XX 指导教师：雷初朝教授
黄牛、水牛和牦牛Y染色体分子遗传多样性与起源研究 一、选题的目的与意义 黄牛、水牛和牦牛是我国3个重要的牛种，具有对周围环境的高度适应性、耐粗放管理、抗病力强、繁殖力高、肉质好等特点。这些地方牛种本身就是一座天然的基因库，正是进行杂种优势利用和进一步培育高产品种的良好原始材料。在当今世界畜禽品种资源日趋匮乏，品种逐步单一化的情况下，对我国这些牛种遗传资源的保护将对今后的育种工作产生很大的影响，起到难以估量的作用[1]。 中国黄牛的起源进化与遗传多样性一直是国内外动物遗传学家感兴趣的课题之一。一般认为，中国黄牛是多元起源的，并主要受普通牛和瘤牛的影响，但究竟起源于哪几个牛种，观点不一[2, 3]。在黄牛遗传多样性方面，自二十世纪八十年代以来，众多研究者分析了中国地方黄牛的核型，发现不同黄牛品种的Y 染色体形态具有明显的多态性，普通牛为中着丝粒或亚中着丝粒，瘤牛为近端着丝粒[4-6]。常振华等发现中国黄牛Y染色体主要属于Y2（普通牛）和Y3（瘤牛）单倍群[7]，但事实上黄牛的每种Y染色体单倍群下都可细分为多种单倍型，而中国黄牛由哪些Y染色体单倍型组成，有无优势单倍型以及单倍型的品种分布有无地理特点，与国外黄牛品种有何不同，这些问题都亟待阐明，以期为黄牛品种资源保护和杂交育种工作提供参考依据。 中国也拥有丰富的水牛资源。水牛的驯化时间，地点尚无定论，国内一些学者在形态学和考古学方面进行了一些研究，给中国水牛的驯化历史提供了一些参考[8, 9]，但仅靠形态学和考古学的研究是远远不够的，还需要分子遗传学的更多证据。目前国内外对水牛的起源研究主要是在线粒体DNA的母系起源方面，认为水牛有两个母系起源（A支系和B支系）[10-12]，近年来，也有中国学者对水牛的常染色体微卫星多态性进行了研究，其结果都表明中国水牛的遗传多样度丰富，倾向于支持中国水牛的本土起源假说[13, 14]。对Y染色体遗传多样性的研究，将提供更多的分子遗传学信息，会有助于评估水牛的遗传资源状况，也有助于阐明中国水牛的驯化历史。 牦牛主要分布于我国的青藏高原，俗称“万能种”，通常皆为兼用，如乳、肉、毛、皮、役力，是经济价值极高的珍贵畜种[1]。家牦牛是在青藏高原驯化的，藏族自古以来生息于西藏，是驯化牦牛之主，因此牦牛的驯化始终与藏族文化的发展休戚相关，是当地人民不可分离的生产和生活资料[15]。从牦牛生活的特定气候地带的适应性和生态地理、生理特征的表现看，牦牛是地球之巅特有的高寒环境中生存的一个宝贵的特化种，牦牛的驯化与繁衍有着与其他牛种极其不同的种类特点，牦牛对高寒山区的气候和贫瘠的草地所具有的特殊的适应性也是世界
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。
最优控制论文 遗传算法的发展 摘要 最优控制是现代控制理论的核心，它研究的主要问题是：在满足一定约束条件下，寻求最优控制策略，使得性能指标取极大值或极小值。解决最优控制问题
的主要方法有古典变分法、极大值原理和动态规划。 最优控制理论已被应用于综合和设计最速控制系统、最省燃料控制系统、最 小能耗控制系统、线性调节器等。目前研究最优控制理论最活跃的领域有神经网 络优化、模拟退火算法、趋化性算法、遗传算法、鲁棒控制、预测控制、混沌优化 控制以及稳态递阶控制等。 作为一种比较新的一种新的优化算法—遗传算法(Genetic Algorithm, 简称G A ) 正在迅速发展。 遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法。近年来,由于遗传算法求解复杂优化问题的巨大潜力及其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的研究现状,描述了它的主要特点和基本原理,概述了它的理论、技术和应用领域,讨论了混合遗传算法和并行遗传算法,指出了遗传算法的研究方向,并对遗传算法的性能作了分析。
目录 1 前言 (1) 2 遗传算法基本理论..................................................... 1... 2.1 遗传算法的基本步骤.................................................. 1.. 2.2 遗传算法的现状..................................................... 2... 2.3 遗传算法的应用..................................................... 3... 2.3.1 函数优化 ..................................................... 3... 2.3.2 组合优化 ..................................................... 4... 2.3.3 生产调度问题 ................................................. 4... 2.3.4 自动控制 ..................................................... 4... 2.3.5 机器人学 ..................................................... 4... 2.3.6 图像处理 ..................................................... 4... 2.3.7 人工生命 ..................................................... 5... 2.3.8 遗传编程 ..................................................... 5... 2.3.9 机器学习 ..................................................... 5... 2.3.10 数据挖掘.................................................... 5... 3 遗传算法的研究方向................................................... 5... 参考文献............................................................ 7...
第2章大熊猫的遗传多样性 2. 1 概述 大熊猫（Ailuropoda melanoleuca）是我国特有的珍稀动物，也是我国的国宝。自1869年法国神甫David在四川宝兴发现并定名大熊猫以来，大熊猫的研究一直受到我国学者和国际社会的广泛关注。尤其是近十年来，一些国内和国际兽类学会议将大熊猫列为专题进行讨论，而且还举行了以大熊猫为主题的国际学术会议。有关大熊猫各方面的研究都取得了长足的进展。 大熊猫的进化地位是著名的难题。总结起来有三种观点：①大熊猫属熊科。②属浣熊科。 ③应自立为一科，即大熊猫科。我们倾向于第3种观点（Zhang，Ryder 1993）。 大熊猫的祖先最早可追溯到中新世地层中发现的禄丰始熊猫（Ailuractos lufengensis），其牙齿较小型大熊猫小（邱占祥 1989）。裴文中（1965）认为大熊猫在早更新世为小型大熊猫（A．microta）；中更新世体型变大，为化石大熊猫（A．fovealis）；现生大熊猫则体型稍减。王将克（1974）确定大熊猫的祖先始于晚第三纪，更新世初期成为小型大熊猫；更新世中晚期小部分个体体型增大，由于适应新的环境，发展形成大体型的巴氏亚种（A．m．baconi）；后来体型又稍减，成为现代种。看来，随着环境的变迁，大熊猫体型经历了由小变大、又变小的过程。 大熊猫的头和身体长120～150cm，尾长约13cm，体重75～160kg。其被毛较粗，毛里充塞的松泡髓质层较厚，有良好的保温性。和典型的食肉类动物不同，大熊猫朝采食竹子的特化方向发展。其牙不像食肉的猛兽尖利，也缺乏食肉齿。但其臼齿磨面不平整，呈现明显的高峰低谷，说明它们在一定程度上还保留其祖先食肉的咀嚼能力。 大熊猫一般栖息于海拔1400～3 600m的各种植被类型的竹林里，地形多属各分支沟源头坳沟，尤以流水切割线的夷平面、平缓上升的山脊和平台（胡锦矗 1990）较多。大熊猫的食物主要是高山和亚高山的各种竹类，其食物的99％由竹笋、竹叶和竹秆组成；除主食竹子外，偶尔也食其他一些植物；在食物缺乏的情况下，还可食一些动物。由于竹子各部分所含的干物质和灰分在一年中略有变化，故大熊猫在选择竹子的食用部位上也有季节性变化。大熊猫一年四季都生活在竹林中，活动时移动的距离较短，平均每天的直线距离不到555m，其巢域仅为3 . 9～6 . 4km2（胡锦矗 1990）。大熊猫为独栖型，但在发情和哺乳期也发生社会联系。 大熊猫在更新世时曾广泛分布于我国东部16个省市，南至缅甸和越南北部。全新世时，在我国广西、河南等地区发现其化石。在历史上的文字记录中，河南、湖北、湖南、贵州和云南等地也有其残存的分布点。由于受人类社会经济活动、环境的变迁和栖息地的急剧减小等因素的影响，现代大熊猫仅分布于四川盆地西北缘向青藏高原过渡的山岳地带。整个区域_______________________ 本章作者：张亚平，宿兵
什么是遗传多样性、物种多样性、生态系统多样性？ 遗传多样性是指存在于生物个体内、单个物种内以及物种之间的基因多样性。一个物种的遗传组成决定着它的特点，这包括它对特定环境的适应性，以及它被人类的可利用性等特点。任何一个特定的个体和物种都保持着大量的遗传类型，就此意义而言，它们可以被看作单独的基因库。基因多样性，包括分子、细胞和个体三个水平上的遗传变异度，因而成为生命进化和物种分化的基础。一个物种的遗传变异愈丰富，它对生存环境的适应能力便愈强；而一个物种的适应能力愈强，则它的进化潜力也愈大。 物种多样性是指动植物及微生物种类的丰富性，它是人类生存和发展的基础。物种资源为人类提供了必要的生活物质，特别是在医学方面，许多野外生物种属的医药价值对人类健康具有重大意义。随着医学科学的发展，许多目前人类未知的物种其医药价值也将不断被发现。 生态系统多样性是指生态系统类型的多种多样。地球上的生态类型极其繁多，但是所有生态系统都保持着各自的生态过程，这包括生命所必需的化学元素的循环和生态系统组成部分之间能量流动的维持。不论是对一个小的生态系统而言或是从全球范围来看，这些生态过程对于所有生物的生存、进化和持续发展都是至关重要的。维持生态系统多样性对于维持物种和基因多样性也是必不可少的。 简言之： 物种多样性，是从宏观方面来说的，指的是生物表现的性状多样性。 遗传多样性，是从微观方面来说的，指的是生物遗传物质DNA序列的多样性，也称为基因多样性。遗传多样性，决定了物种多样性。 例子：老虎、狮子、大象，属于不同的物种，反映了物种的多样性（性状有巨大差异）。决定这一切的，是它们细胞内的遗传物质的多样性，即DNA序列的多样性，它们的遗传物质是各自不同的。
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
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
产生遗传后代多样性的因素 2013012590高上涵经35 广义的遗传多样性是指地球上生物所携带的各种遗传信息的总和。这些遗传信息储存在生物个体的基因之中，是指种内或种间表现在分子、细胞、个体3个水平的遗传变异度，在分子水平上，遗传多样性主要体现在基因的多样性；在细胞水平上，主要体现在细胞形态和功能的多样性；在个体水平上，主要体现在个体表现型的多样性。狭义上则主要是指种内不同群体或个体间的遗传多态性程度。遗传后代多样性是多层次多水平的。 产生遗传后代多样性的因素很多，从宏观角度来看，生物进化影响着遗传多样性；从微观角度来看，遗传物质的多样性、变异性和繁殖的复杂性也是产生遗传后代多样性的因素。 （一）从进化的角度来看，在生物的长期演化过程中，具有适合生存环境的性状的个体更容易存货，决定这些性状的基因也更容易留存下来，由于外界环境的多变，一个物种所包含的基因越丰富，它对环境的适应能力越强。环境的多变是产生遗传多样性的原因。 （二）从遗传后代多样性的物质基础来看，基因、蛋白质、染色体具有多样性。大多数生物的遗传物质是DNA，DNA由四种脱氧核糖核苷酸按照一定的排列顺序组成，每一种排列顺序都代表着一种遗传信息，因此DNA可以储存大量的遗传信息，具有多样性，不同个体具有不同的遗传物质。基因表达的产物一般是蛋白质，而蛋白质由氨基酸构成，氨基酸的排列顺序、肽链的折叠方式、蛋白质的空间结构都导致了蛋白质的多样性。遗传物质的多样性、表达产物的多样性是遗传后代多样性的物质基础。 （三）基因与性状的关系来看，基因具有选择性表达的性质，相同基因的表达并不完全相同，同一个体不同细胞内的基因表达情况不同，不同个体的基因表达情况差异更大，即使是同卵双胞胎，基因的表达也会有很大的差异。基因表达的多样性是产生遗传后代多样性的因素。基因存在不完全显性：一个杂合体的表型介于两个产生它的纯合体的表型的过渡状态，还存在共显性：一个性状的体现由不止一个显性等位基因的表达，一个性状由多个基因共同控制。此外染色体数目的差异也会导致性状的不同（如唐氏综合征），基因和性状的关系的复杂性也是遗传多样性的因素。 （五）从遗传物质的突变来看，遗传物质在某种因素的刺激下能够发生变化基因突变、基因重组、染色体变异。遗传物质的突变主要有两种类型，即染色体数目和结构的变化以及基因位点内部核苷酸的变化，此外，基因重组也可以导致生物产生遗传变异。遗传物质的突变的概率较高，也是遗传多样性的根本原因。 （六）从繁殖方式来看，多数生物是有性繁殖，个体通过减数分裂产生配子，配子结合产生合子，个体从父母双方各继承一半的遗传信息。在产生配子的过程中，同源染色体分离，非同源染色体自由组合，姐妹染色单体的交叉互换等导致了配子的多样性。另外，配子是随机结合的，又增加了合子的多样性。 遗传物质的多样性、多变性，基因和性状关系的复杂性、环境的多变性等都是遗传后代多样性的因素。
中国主要东方蜜蜂种群的遗传多样性分析 任勤1，曹联飞2，赵红霞3,，王瑞生1，程尚1，罗文华1,曹兰1，姬聪慧*1 （1.重庆市畜牧科学院，重庆 402460；2.浙江省农业科学院，浙江杭州 310021；3. 广东 省生物资源应用研究所，广东广州 510260） 摘要：对中国具代表性的东方蜜蜂遗传资源中7个种群的线粒体DNA tRNA leu～ CO Ⅱ基因进行扩增和测序,并进行遗传多样性比较及亲缘关系分析。结果表明，共发现43个单倍型，其中10个单倍型在GenBank数据库对比确认属于新发现单倍型；7个群体中，阿坝中蜂、滇南中蜂和海南中蜂遗传多样性水平较高，长白山中蜂遗传多样性水平较低，其他群体遗传多样性居中；不同种群间遗传距离变化较大，其中海南中蜂与滇南中蜂、阿坝中蜂间的遗传距离最大，长白山中蜂与云贵中蜂、北方中蜂、华南中蜂间的遗传距离最小；聚类分析显示7个种群可聚为4个类群。 关键词：东方蜜蜂；遗传多样性；线粒体DNA 中图分类号：文献标志码：A Analysis of genetic diversity of Apis cerana populations in China REN Qin1, CAO Lianfei2,ZHAO Hongxia3,WANG Ruisheng1,CHENG Shang1,LUO Wenhua1,CAO Lan1, JI Conghui*1 （1.Chong Qing Academy of Animal Science，Chongqing 402460，China；2.Zhejiang Academy of Agricultural Sciences，Zhejiang 310021，China; 3.Guangdong Institute of Applied Biological Resources, Guangdong 510260, China） Abstract:The mitochondrial DNA tRNA leu～CO II genes in 7 populations of Apis cerana Fabricius in China were amplified and sequenced, and their genetic diversity and phylogenetic relationships were analyzed. The results showed that a total of 43 haplotypes were identified, of which 10 haplotypes were identified new haplotypes in the GenBank database, Among 7 populations, Aba bee, Hainan bee and Yunnan bee have higher level of genetic diversity, Changbai Mountain bee has lower level of genetic diversity, other populationswere intermediate; The genetic distances between different populations varied greatly, of which Hainan bee andhave maximum genetic distance with Yunnan bee and Aba bee, The genetic distances between Changbai mountain bee and Yunnan bee, Middle China bee, Northern bee and Southern bee were small.; Cluster analysis showed that the 7 populations could be clustered into 4 taxa. Key words:Apis cerana Fabricius; genetic diversity; mitochondrial DNA 收稿日期： 基金项目:国家蜂产业技术体系基金项目（CARS-45SYZ15）;重庆市畜牧科学院基金项目(16421). 作者简介：任勤(1979-), 男, 宁夏固原人，助理研究员, 硕士研究生，主要从事蜜蜂方面的研究。 通信作者：姬聪慧(1980-)，女，河南平顶山人，助理研究员，硕士研究生。