一种宋词自动生成的遗传算法及其机器实现
自厦门大学和浙江大学的三位学者开发的“宋词自动生成(的)遗传算法”，主要针对宋词这种特殊的汉语诗歌体裁，设计了其自动生成算法及其实现方法。
3 个示例：
keyword=菊Ci Pai=清平乐Style=风格婉约
相逢缥缈,窗外又拂晓.长忆清弦弄浅笑,只恨人间花少.
黄菊不待清尊,相思飘落无痕.风雨重阳又过,登高多少黄昏.
（这篇写的真的太NB了。。。）
keyword=饮酒Ci Pai=西江月Style=风格豪放
饮酒开怀酣畅,洞箫笑语尊前.欲看尽岁岁年年,悠然轻云一片.
赏美景开新酿,人生堪笑欢颜.故人何处向天边,醉里时光渐渐.
keyword=佳人Ci Pai=点绛唇Style=风格婉约
人静风清,兰心蕙性盼如许.夜寒疏雨,临水闻娇语.
佳人多情,千里独回首.别离后,泪痕衣袖,惜梦回依旧.
----节选--------------------------------------------------------
根据宋词特点设计了基于平仄的编码方式，将“平、仄”与“0、1”编码相对应的编码方案.比如词牌《清平乐》平仄分布如下:
⊙平⊙仄,⊙仄平平仄.⊙仄⊙平平仄仄,⊙仄⊙平⊙仄.
⊙平⊙仄平平,⊙平⊙仄平平.⊙仄⊙平⊙仄,⊙平⊙仄平平.
其中⊙表示可平可仄.根据我们的编码方案可得如下编码串:
*0*1,*1001.*1*0011,*1*0*1.
*0 *100,*0*100.*1*0*1,*0*100.
..........
通过对大量宋词语句构成的分析,发现组成句子的有效模式的数目是有限的,并且呈现出了层次化的结构,因此比较适合采用DFA(deterministic finite automata)来表示。随机组合的词语,在产生大量的备选个体后,逐个进行DFA 分析测试,通过留下,没通过则剔除。
..........
宋词的语义计算问题,包括词义相关度计算、词义相似度计算,以及风格情感一致性计算3 个方面。计算词义相关的目的是建立词语间的关联,发掘词语共现和搭配的可能,从而保证生
成诗词行文和主题上的连贯.我们可以基于语料库统计来给出利用潜在语义分析和互信息两种方法词义相关度计算方法.......利用潜在语义分析(latent semantic analysis,简称LSA)和是基于互信息(mutual information,简称MI)的方法计算词义相关度............对于最终的计算结果,我们首先选取两种算法的重叠部分,相关度则用两者各占50%的加权和表示;其次对于不重叠的部分,我们按相关度从高到低进行排列,并保留相关度大于10?3 的词。
..............
词语相似度主要用于衡量文本中词语的可替换程度.计算词义相似度,目的是在保证所选词紧扣主题的前提下,尽量使生成诗词的语言更丰富多变.目前自然语言的词义相似度有两类常见的计算方法,一种是利用大规模的语料库进行统计,另一种是根据本体知识来计算。........考虑到计算的复杂性和词义相似度在应用中较强的针对性,在实际计算相似度时,我们仅对词库中高频名词545 个和形容词367 个近义词集进行计算。
...............
有了具体的宋词生成算法,就可以构建宋词自动生成系统,按用户输入的关键词(要求输入1～3 个关键词)和词牌名自动生成宋词.实际系统共分数据库建立、句法语义处理、基于遗传算法的生成3 个基本模块.实际系统是在普通微机的Windows 平台上采用VisualC++ 6.0 开发实现的,测试机器基本参数为:CPU 1.83GHz,内存512 MB.目前系统仅支持10 个常见词牌的宋词生成,这10 个词牌分别是《蝶恋花》、《青玉案》、《清平乐》、《浣溪纱》、《西江月》、《点绛唇》、《鹧鸪天》、《江城子》、《长相思》、《浪淘沙》。
例如,取种群大小k1 为100,最大进化代数k2 为5 000,交叉概率k3 为0.8,变异操作次数k 4 为3 000,变异概率k5 为0.15,父代接受概率k6 为0.3.当输入主题关键词为“菊”,词牌名为《清平乐》时,系统经过如下运行过程.
首先系统提取主题关键词“菊”,在词义相似和词义相关库中进行查找,形成表1 所示的计算结果.接着,系统根据《清平乐》词牌的要求随机生成两个韵部.上阙仄韵“小”,下阙转平韵“魂”,即随机生成了一个平声韵部和一个仄声韵部.规定每个个体中至少出现一个与主题词的词义相似词.生成的初始种群个体举例如下(之一):
登临多少,入夜催秋草.憔悴田园添缠绕,携手光阴欢笑.
金菊零落离魂,春风相近黄昏.为我悲秋斜倚,此生天气重门.
表1 “菊”的词义相似和词义相关计算结果
Synonyms of “JU”=黄菊紫菊嫩菊槛菊兰菊菊花金菊菊蕊野菊松菊晚菊庭菊细菊篱菊赏菊丛菊新菊菊香白菊
Firstly correlation=轻寒登高秋色重阳晓寒离恨雁黄管弦香秋晚秋微雨萧疏零乱凄然黯淡凄楚憔悴萦绊愁颜梦影夜西风零落幽怨微凉斜日馨香鸿雁金祝寿紫中秋新酿东篱高歌醉残良辰庭院
Secondly correlation=情舞携手竟金尊忆轻轻朱阑残难忘红烛朦胧寒烛影无端明镜雁梧桐燕吹扁舟故国潇湘残荷露叠翠晨星浩渺清泪回首遥看人间笙歌共舞冷艳长亭相逢双桨红颜暮云吟幽愫
------------------------------my view------------------------
算法也是在发展的。根据分而治之思想，考虑完字音，词义，下面就该是句与句的逻辑关系了。当然对偶，互文就比较难，典故就更需要特别的资料库和算法。
不过话说回来，能有韵律公整，辞藻精美，合理承接转折并且有对偶/互文并且包含典故的，那即便是人写的也是精品中的精品了。想想这1000年来流传下来的辞，和妇孺皆知朗朗上口的句，实在难得。
其实，我觉得最主要的问题在于，这软件只是组合，不是创造
这篇论文目的也不是写辞，是实践遗传算法，实现方向比较新颖罢了。或许这样的软件出来也顺带能kill掉那些“词匠”，活着的人只能去努力创造。
历史上最高水平首诗词 TTA standardization office【TTA 5AB- TTAK 08- TTA 2C】
《人民日报》评中国历史上最高水平40首诗词唐诗、宋词、元曲是中华文化最绚烂的文化瑰宝，代表着中国文化的最高水平，这些诗词好在哪里呢？让我们一起跟随《人民日报》，品评中国历史上高水平的40首诗词。 40 《送杜少府之任蜀州》 唐·王勃 城阙辅三秦，风烟望五津。 与君离别意，同是宦游人。 海内存知己，天涯若比邻。 无为在歧路，儿女共沾巾。 39 《琵琶行》 唐·白居易 浔阳江头夜送客，枫叶荻花秋瑟瑟。 主人下马客在船，举酒欲饮无管弦。 醉不成欢惨将别，别时茫茫江浸月。 忽闻水上琵琶声，主人忘归客不发。 寻声暗问弹者谁？琵琶声停欲语迟。 移船相近邀相见，添酒回灯重开宴。 千呼万唤始出来，犹抱琵琶半遮面。 转轴拨弦三两声，未成曲调先有情。
弦弦掩抑声声思，似诉平生不得志。 低眉信手续续弹，说尽心中无限事。 轻拢慢捻抹复挑，初为《霓裳》后《六幺》。 大弦嘈嘈如急雨，小弦切切如私语。 嘈嘈切切错杂弹，大珠小珠落玉盘。 间关莺语花底滑，幽咽泉流冰下难。 冰泉冷涩弦凝绝，凝绝不通声暂歇。 别有幽愁暗恨生，此时无声胜有声。 银瓶乍破水浆迸，铁骑突出刀枪鸣。 曲终收拨当心画，四弦一声如裂帛。 东船西舫悄无言，唯见江心秋月白。 沉吟放拨插弦中，整顿衣裳起敛容。 自言本是京城女，家在虾蟆陵下住。 十三学得琵琶成，名属教坊第一部。 曲罢曾教善才服，妆成每被秋娘妒。 五陵年少争缠头，一曲红绡不知数。 钿头银篦击节碎，血色罗裙翻酒污。 今年欢笑复明年，秋月春风等闲度。 弟走从军阿姨死，暮去朝来颜色故。 门前冷落鞍马稀，老大嫁作商人妇。 商人重利轻别离，前月浮梁买茶去。 去来江口守空船，绕船月明江水寒。 夜深忽梦少年事，梦啼妆泪红阑干。
遗传算法 遗传算法（Genetic Algorithm）是基于进化论的原理发展起来的一种广为应用，高效的随机搜索与优化的方法。它从一组随机产生的初始解称为“种群”，开始搜索过程。种群中的每个个体是问题的一个解，成为“染色体”是一串符号。这些染色体在每一代中用“适应度”来测量染色体的好坏, 通过选择、交叉、变异运算形成下一代。选择的原则是适应度越高,被选中的概率越大。适应度越低，被淘汰的概率越大。每一代都保持种群大小是常数。经过若干代之后，算法收敛于最好的染色体，它很可能是问题的最优解或次优解。这一系列过程正好体现了生物界优胜劣汰的自然规律。 比如有编号为1到10的特征，现在要选取其中的5个，基于遗传算法的特征选择可以如下这样直观的理解： 下续（表格） 下续……
即设有4个不同的初始特征组合，分别计算判别值，然后取最大的2个组合（[1,2,3,4,9]和[1,3,5,7,8]）进行杂交，即互换部分相异的特征（4和7），得到新的两个特征组合（[1,2,3,7,9]和[1,3,4,5,8]）,然后再计算这两个新的组合的判别值，和原来的放在一起，再从中选择2个具有最大判别值的组合进行杂交。如此循环下去，在某一代的时候就得到了一个最好的特征组合（比如第2代的[1,3,5,7,9]的特征组合）。当然，在实际中每代的个体和杂交的数量是比较大的。 遗传算法的具体的步骤如下：
1.编码：把所需要选择的特征进行编号，每一个特征就是一个基因，一个解就是一串基因的组合。为了减少组合数量，在图像中进行分块（比如5*5大小的块），然后再把每一块看成一个基因进行组合优化的计算。每个解的基因数量是要通过实验确定的。 2.初始群体（population）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。这个参数N需要根据问题的规模而确定。 3.交换(crossover)：交换（也叫杂交）操作是遗传算法中最主要的遗传操作。由交换概率( P)挑选的每两个父代 c 通过将相异的部分基因进行交换（如果交换全部相异的就变成了对方而没什么意义），从而产生新的个体。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。 4.适应度值(fitness)评估检测：计算交换产生的新个体的适应度。适应度用来度量种群中个体优劣（符合条件的程度）的指标值，这里的适应度就是特征组合的判据的值。这个判据的选取是GA的关键所在。
宋词的发展历程 宋词的发展从开始到顶峰阶段，大致分为共分为三个阶段。第一个阶段，晏殊、张先、晏几道、欧阳修等承袭“花间”余绪，为由唐入宋的过渡；第二个阶段，柳永、苏轼在形式与内容上所进行的新的开拓以及秦观、赵令畤、贺铸等人的艺术创造，促进宋词出现多种风格竞相发展的繁荣局面；第三个阶段，周邦彦在艺术创作上的集大成，体现了宋词的深化与成熟。这三个阶段在时间上非截然分开,而是互相交错在一起的;就其发展演变的实际情况看，继承与创新也不是相互脱节的。 唐代从西域传入的各民族的音乐与中原旧乐渐次融合，并以胡乐为主产生了燕乐。原来整齐的五、七言诗已不适应，于是产生了字句不等、形式更为活泼的词。词最早起源于民间，后来，文人依照乐谱声律节拍而写新词，叫做“填词”或“依声”。从此，词与音乐分离，形成一种句子长短不齐的格律诗。五、七言诗句匀称对偶，表现出整齐美；而词以长短句为主，呈现出参差美。 词有词牌，即曲调。有的词调又因字数或句式的不同有不同的“体”。比较常用的词牌约100个。词的结构分片或阕，不分片的为单调，分二片的为双调，分三片的称三叠。按音乐又有令、引、近、慢之国画:着名女词人李清照别。“令”一般比较短，早期的文人词多填小令。如《十六字令》、《如梦令》、《捣练子令》等。“引”和“近”一般比较长，如《江梅引》、《阳关引》、《祝英台近》、《诉衷情近》。而“慢”又较“引”和“近”更长，盛行于北宋中叶以后，有柳永“始衍慢词”的说法。词牌如《木兰花慢》、《雨霖铃慢》等。依其字数的多少，又有“小令”、“中调”、“长调”之分。据清代毛先舒《填词名解》之说，58字以内为小令， 59—90字为中调，90字以外为长调。最长的词调《莺啼序》，240字。一定的词牌反映着一定的声情。词牌名称的由来，多数已不可考。只有《菩萨蛮》、《忆秦娥》等少数有本事词。词的韵脚，是音乐上停顿的地方。一般不换韵。有的句句押，有的隔句押，还有的几句押。象五、七言诗一样，词讲究平仄。而仄声又要分上、去、入。可以叠字。 由于词在晚唐、五代、宋初多是酒席宴前娱宾遣兴之作，故有“词为小道、艳科”、“诗庄词媚”之说。随着词的发展，经柳永、苏轼，逐渐扩大了词的题材，至辛弃疾达到高峰，成为和诗歌同等地位的文学体裁。词是一种音乐文学，它的产生、发展，以及创作、流传都与音乐有直接关系。词所配合的音乐是所谓燕乐，又叫宴乐，其主要成分是北周和隋以来由西域胡乐与民间里巷之曲相融而成的一种新型音乐，主要用於娱乐和宴会的演奏，隋代已开始流行。而配合燕乐的词的起源，也就可以上溯到隋代。宋人王灼《碧鸡漫志》卷一说：“盖隋以来，今之所谓曲子者渐兴，至唐稍盛。”词最初主要流行于民间，《敦煌曲子词集》收录的一百六十多首作品，大多是从盛唐到唐末五代的民间歌曲。 大约到中唐时期，诗人张志和、韦应物、白居易、刘禹锡等人开始写词，把这一文体引入了文坛。到晚唐五代时期，文人词有了很大的发展，晚唐词人温庭筠以及以他为代表的“花间派”词人以李煜、冯延巳为代表的南唐词人的创作，
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
介绍遗传算法的发展历程 遗传算法起源于对生物系统进行的计算机模拟研究。早在20世纪40年代，就有学者开始研究利用计算机进行生物模拟的技术，他们从生物学的角度进行了生物的进化过程模拟、遗传过程模拟等研究工作。 早期的研究特点是侧重于对一些复杂操作的研究。最早意识到自然遗传算法可以转化为人工智能算法的是J.H.Hnllaad教授。1965年，Holland教授首次提出了人工智能操作的重要性，并将其应用到自然系统和人工系统中。1967年，Holland教授的学生.J.D.Bagley在其博士论文中首次提出了“遗传算法”一词，并发表了遗传算法应用方面的第一篇论文，从而创立了自适应遗传算法的概念e J.D.Bagley发展了复制、交叉、变异、显性、倒位等遗传算子，在个体编码上使用了双倍体的编码方法。1970年，Cavicchio把遗传算法应用于模式识别。Holistien最早把遗传算法应用于函数优化。20世纪70年代初，Holland 教授提出了遗传算法的基本定理—模式定理，从而奠定了遗传算法的理论基础。模式定理揭示出种群中优良个体(较好的模式)的样本数将以指数级规律增长，因而从理论上保证了遗传算法是一个可以用来寻求最优可行解的优化过程。1975年，Holland教授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《自然系统和人工系统的自适应性》。同年，K.A.De Song在博士论文《遗传自适应系统的行为分析》‘护结合模式定理进行了大量的纯数值函数优化计算实验，建立了遗传算法的工作框架，为遗传算法及其应用打下了坚实的基础，他所得
出的许多结论迄今仍具有普遍的指导意义。20世纪80年代，Hntland 教授实现了第一个基于遗传算法的机器学习系统—分类器系统(Classifier Systems，简称CS)，提出了基于遗传算法的机器学习的新概念，为分类器系统构造出了一个完整的框架。1989年，D.J.Goldberg 出版了专著—《搜索、优化和机器学习中的遗传算法》。该书系统总结了遗传算法的主要研究成果，全面而完整地论述了遗传算法的基本原理及其应用。可以说这本书奠定了现代遗传算法的科学基础，为众多研究和发展遗传算法的学者所瞩目。1991年，L,Davis编辑出版了《遗传算法手册》一书，书中包括了遗传算法在科学计算、工程技术和社会经济中的大量应用样本，为推广和普及遗传算法的应用起到了重要的指导作用。1992年，J.R.Koza将遗传算法应用于计算机程序的优化设计及自动生成，提出了遗传规划(Genetic Programming,简称GP)的概念。
1、简介 机器人的应用越来越广泛,几乎渗透到所有领域。移动机器人是机器人学中的一个重要分支。早在60年代,就已经开始了关于移动机器人的研究。关于移动机器人的研究涉及许多方面,首先,要考虑移动方式,可以是轮式的、履带式、腿式的,对于水下机器人,则是推进器。其次,必须考虑驱动器的控制,以使机器人达到期望的行为。第三,必须考虑导航或路径规划,对于后者,有更多的方面要考虑,如传感融合,特征提取,避碰及环境映射。因此,移动机器人是一个集环境感知、动态决策与规划、行为控制与执行等多种功能于一体的综合系统。 腿式机器人的腿部具有多个自由度,使运动的灵活性大大增强.它可以通过调节腿的长度保持身体水平,也可以通过调节腿的伸展程度调整重心的位置,因此不易翻倒,稳定性更高. 腿式机器人也存在一些不足之处.比如,为使腿部协调而稳定运动,从机械结构设计到控制系统算法都比较复杂;相比自然界的节肢动物,仿生腿式机器人的机动性还有很大差距. 腿的数目影响机器人的稳定性、能量效率、冗余度、关节控制的质量以及机器人可能产生的步态种类. 2、研究方法 保持稳定是机器人完成既定任务和目标的基本要求.腿式机器人稳定性的概念: 支持多边形(supportpolygon) 支持多边形的概念由Hildebrand首先提出,用它可以方便地描述一个步态循环周期中各个步态的情况.支持多边形指连接机器人腿部触地各点所形成的多边形在水平方向的投影.如果机器人的重心落在支持多边形内部,则认为机器人稳定. 算人物脚步放置位置及达到目标位置的走法是行走技术的重要环节。 2.1 控制算法 （1)姿态控制算法 这种算法的基本思想是:已知机器人的腿对身体共同作用产生的力和力矩向量,求每条腿上的力.用数学语言表达如下(假设机器人有四条腿): 其中和z已知,要求，解出这几个力，通过控制每条腿上的力向量,就可以使机器人达到预定的姿态,实现了机器人姿态的可控性,以适应不同地形. （2）运动控制算法 这个暂时不知道 (3)步态规划算法 这种算法的基本思想是:已知机器人的腿部末端在坐标系中的位置,求腿部各个关节的关节角.当关节角确定后,就可以构造机器人的步态模式.可用算法有ZMP算法、离线规划算法。 步态规划就是基于当前系统状态设计一种算法，得到期望的控制序列。步态规划在控制
目录 _ 一、遗产算法的由来 (2) 二、遗传算法的国内外研究现状 (3) 三、遗传算法的特点 (5) 四、遗传算法的流程 (7) 五、遗传算法实例 (12) 六、遗传算法编程 (17) 七、总结 ......... 错误!未定义书签。附录一:运行程序 (19)
遗传算法基本理论与实例 一、遗产算法的由来 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。20世纪40年代以来,科学家不断努力从生物学中寻求用于计算科学与人工系统的新思想、新方法。很多学者对关于从生物进化与遗传的激励中开发出适合于现实世界复杂适应系统研究的计算技术——生物进化系统的计算模型,以及模拟进化过程的算法进行了长期的开拓性的探索与研究。John H、Holland 教授及其学生首先提出的遗传算法就就是一个重要的发展方向。 遗传算法借鉴了达尔文的进化论与孟德尔、摩根的遗传学说。按照达尔文的进化论,地球上的每一物种从诞生开始就进入了漫长的进化历程。生物种群从低级、简单的类型逐渐发展成为高级复杂的类型。各种生物要生存下去及必须进行生存斗争,包括同一种群内部的斗争、不同种群之间的斗争,以及生物与自然界无机环境之间的斗争。具有较强生存能力的生物个体容易存活下来,并有较多的机会产生后代;具有较低生存能力的个体则被淘汰,或者产生后代的机会越来越少。,直至消亡。达尔文把这一过程与现象叫做“自然选择,适者生存”。按照孟德尔与摩根的遗传学理论,遗传物质就是作为一种指令密码封装在每个细胞中,并以基因的形式排列在染色体上,每个基因有特殊的位置并控制生物的某些特性。不同的基因组合产生的个体对环境的适应性不一样,通过基因杂交与突变可以产生对环境适应性强的后代。经过优胜劣汰的自然选择,适应度值高的基因结构就得以保存下来,从而逐渐形成了经典的遗传学染色体理论,揭示了遗传与变异的基本
宋代词学发展简述 词，诗歌的一种。因是合乐的歌词，故又称曲子词、乐府、乐章、长短句、诗余、琴趣等。始于唐，定型于五代，盛于宋。58字以内为小令，59-90字为中令，91字以上为长调。宋代，是词的“黄金时代”。这一时期，耸立着争雄对峙、相映生辉的两座奇峰；这就是以柳永、李清照为旗帜的婉约派和以苏轼、辛弃疾为代表的豪放派。婉约词是按照美的法则来生活的，具有可歌性，以言情为主，同时“以美取胜”豪放派喜用诗文手法，不恪守音律，创作视野广阔，气象恢弘雄放 词源于民间，在宋代，随着城市的发展和市民阶层的兴起，物质生活的丰富，人们对文化生活的追求也更加强烈宋词的兴盛跟当时的社会联系紧密。宋词发展的基础宋代立国推行厚待官吏的政策，加上社会经济的恢复与发展，民间财富被搜刮集中到都城及其他几个大城市，为统治者寄情声色、歌舞作乐提供了物质条件。 宋词的发展共分为四个阶段。 第一个阶段，晏殊、温庭筠、欧阳修，李煜等承袭“花间”余绪，为由唐入宋的过渡； 五代时，由于君主的提倡，南唐词坛特盛，晏殊、欧阳修等出自江南旧地的江西词人，沿袭南唐余绪，以风流自命，致力于创作短章小令、轻丽之词。风格婉约艳丽。
李煜的词艺术概括力强，自然纯真以白描为主。。同时他扩大了词的表现领域。在李煜之前，词以艳情为主，内容浅薄，即使寄寓一点怀抱，也大都用比兴手法，隐而不露。而李煜词中多数作品则直抒胸臆，倾吐身世家国之感，情真语挚。 晏、欧诸人，虽然词作并不少，但都不是专力为词的词人，"或一时兴到之作，未为专诣"（冯煦《宋六十家词选例言》），走的是五代花间、南唐词人的老路，继承性大于创造性，连词调、词体的选择和运用都跟五代词人一样，是以小令为主。不过，晏殊和欧阳修等人，在宋词的发展史上，仍然有其创造性的贡献。他们以众多的艺术圆熟、意境浑成的典范之作，强化了温庭筠等花间词人开创、定型的抒情范式，进一步确立了以小令为主的文本体式、以柔情为主的题材取向和以柔软婉丽为美的审美规范。十一世纪上半叶的词坛，是宋词的"因革期"。既有因循传承，又有革新创造 温庭筠的风格以绮怨的风格为主，隐曲密丽，特别注重对于物象的细腻描摹，善于从精心碉楼中暗示渲染出凄迷幽怨的情感氛围。不愧为“花间鼻祖”。 第二个阶段，柳永、苏轼在形式与内容上所进行的新的开拓以及秦观、李清照等人的艺术创造，促进宋词出现多种风格竞相发展的繁荣局面；以婉约豪放并举。
基本遗传算法及应用举例 遗传算法(Genetic Algorithms)是一种借鉴生物界自然选择和自然遗传机制的随机、高度并行、自适应搜索算法。遗传算法是多学科相互结合与渗透的产物。目前它已发展成一种自组织、自适应的多学科技术。 针对各种不同类型的问题，借鉴自然界中生物遗传与进化的机理，学者们设计了不同的编码方法来表示问题的可行解，开发出了许多不同环境下的生物遗传特征。这样由不同的编码方法和不同的遗传操作方法就构成了各种不同的遗传算法。但这些遗传算法有共同的特点，即通过对生物的遗传和进化过程中的选择、交叉、变异机理的模仿来完成对最优解的自适应搜索过程。基于此共同点，人们总结出了最基本的遗传算法——基本遗传算法。基本遗传算法只使用选择、交叉、变异三种基本遗传操作。遗传操作的过程也比较简单、容易理解。同时，基本遗传算法也是其他一些遗传算法的基础与雏形。 1．1．1 编码方法 用遗传算法求解问题时，不是对所求解问题的实际决策变量直接进行操作，而是对表示可行解的个体编码的操作，不断搜索出适应度较高的个体，并在群体中增加其数量，最终寻找到问题的最优解或近似最优解。因此，必须建立问题的可行解的实际表示和遗传算法的染色体位串结构之间的联系。在遗传算法中，把一个问题的可行解从其解空间转换到遗传算法所能处理的搜索空间的转换方法称之为编码。反之，个体从搜索空间的基因型变换到解空间的表现型的方法称之为解码方法。 编码是应用遗传算法是需要解决的首要问题，也是一个关键步骤。迄今为止人们已经设计出了许多种不同的编码方法。基本遗传算法使用的是二进制符号0和1所组成的二进制符号集｛0，1｝，也就是说，把问题空间的参数表示为基于字符集｛0，1｝构成的染色体位串。每个个体的染色体中所包含的数字的个数L 称为染色体的长度或称为符号串的长度。一般染色体的长度L 为一固定的数，如 X=1010100 表示一个个体，该个体的染色体长度L=20。 二进制编码符号串的长度与问题所要求的求解精度有关。假设某一参数的取值范围是[a ，b]，我们用长度为L 的二进制编码符号串来表示该参数，总共能产生L 2种不同的编码，若参数与编码的对应关系为 00000000000……00000000=0 →a 00000000000……00000001=1 →a+δ ? ? ? ……=L 2-1→b 则二进制编码的编码精度1 2--= L a b δ 假设某一个个体的编码是kl k k k a a a x 21=，则对应的解码公式为 )2(121 ∑=---+=L j j L kj L k a a b a x 例如，对于x ∈[0,1023],若用长度为10的二进制编码来表示该参数的话，则下述符号串：
基于数据挖掘的遗传算法 xxx 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 Genetic Algorithm Based on Data Mining xxx Abstract：This paper defines the concepts and theories of genetic algorithm source, Introducing genetic algorithm research directions and application areas, explaining the concepts of genetic algorithms, coding rules, the three main operator and fitness function，describing genetic algorithm parameter selection process and criteria，in addition in the given combination of genetic algorithm based on the practical application. 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，采用同时处理群体中多个个体的 方法，降低了陷入局部最优解的可能 性，易于并行化。
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
xx的发展历程 宋词的发展从开始到顶峰阶段，大致分为共分为三个阶段。第一个阶段，晏殊、张先、晏几道、欧阳修等承袭“花间”余绪，为由唐入宋的过渡；第二个阶段，柳永、苏轼在形式与内容上所进行的新的开拓以及秦观、赵令畤、贺铸等人的艺术创造，促进宋词出现多种风格竞相发展的繁荣局面；第三个阶段，周邦彦在艺术创作上的集大成，体现了宋词的深化与成熟。这三个阶段在时间上非截然分开,而是互相交错在一起的;就其发展演变的实际情况看，继承与创新也不是相互脱节的。 唐代从西域传入的各民族的音乐与中原旧乐渐次融合，并以胡乐为主产生了燕乐。原来整齐的五、七言诗已不适应，于是产生了字句不等、形式更为活泼的词。词最早起源于民间，后来，文人依照乐谱声律节拍而写新词，叫做“填词”或“依声”。从此，词与音乐分离，形成一种句子长短不齐的格律诗。五、七言诗句匀称对偶，表现出整齐美；而词以长短句为主，呈现出参差美。 词有词牌，即曲调。有的词调又因字数或句式的不同有不同的“体”。比较常用的词牌约100个。词的结构分片或阕，不分片的为单调，分二片的为双调，分三片的称三叠。按音乐又有令、引、近、慢之国画: 着名女词人李清照别。“令”一般比较短，早期的文人词多填小令。如《十六字令》、《如梦令》、《捣练子令》等。“引”和“近”一般比较长，如《江梅引》、《阳关引》、《祝英台近》、《诉衷情近》。而“慢”又较“引”和“近”更长，盛行于北宋中叶以后，有柳永“始衍慢词”的说法。词牌如《木兰花慢》、《雨霖铃慢》等。依其字数的多少，又有“小令”、“中调”、“长调”之分。据清代毛先舒《填词名解》之说，58字以内为小令，59—90字为中调，90字以外为长调。最长的词调《莺啼序》，240字。一定的词牌反映着一定的声情。词牌名称的由来，多数已不可考。只有《菩萨蛮》、《忆秦娥》等少数有本事词。词的韵脚，是音乐上停顿的地方。一般不换韵。有的句句押，有的隔句押，还有的几句押。象五、七言诗一样，词讲究平仄。而仄声又要分上、去、入。可以叠字。 由于词在晚唐、五代、宋初多是酒席宴前娱宾遣兴之作，故有“词为小道、艳科”、“诗庄词媚”之说。随着词的发展，经柳永、苏轼，逐渐扩大了词的题
第七章 遗传算法应用举例 遗传算法提供了一种求解非线性、多模型、多目标等复杂系统优化问题的通用框架，它不依赖于问题具体的领域。随着对遗传算法技术的不断研究，人们对遗传算法的实际应用越来越重视，它已经广泛地应用于函数优化、组合优化、自动控制、机器人学、图象处理、人工生命、遗传编码、机器学习等科技领域。遗传算法已经在求解旅行商问题、背包问题、装箱问题、图形划分问题等多方面的应用取得了成功。本章通过一些例子，介绍如何利用第五章提供的遗传算法通用函数，编写MATLAB 程序，解决实际问题。 7.1 简单一元函数优化实例 利用遗传算法计算下面函数的最大值： ()sin(10) 2.0[1,2]f x x x x π=?+∈-， 选择二进制编码，种群中个体数目为40，每个种群的长度为20，使用代沟为0.9，最大遗传代数为25。 下面为一元函数优化问题的MA TLAB 代码。 figure(1); fplot ('variable.*sin(10*pi*variable)+2.0',[-1,2]); %画出函数曲线 % 定义遗传算法参数 NIND= 40; % 个体数目(Number of individuals) MAXGEN = 25; % 最大遗传代数(Maximum number of generations) PRECI = 20; % 变量的二进制位数(Precision of variables) GGAP = 0.9; % 代沟(Generation gap) trace=zeros (2, MAXGEN); % 寻优结果的初始值 FieldD = [20;-1;2;1;0;1;1]; % 区域描述器(Build field descriptor) Chrom = crtbp(NIND, PRECI); % 初始种群 gen = 0; % 代计数器 variable=bs2rv(Chrom,FieldD); % 计算初始种群的十进制转换 ObjV = variable.*sin (10*pi*variable)+2.0; % 计算目标函数值 while gen < MAXGEN, FitnV = ranking (-ObjV); % 分配适应度值(Assign fitness values) SelCh = select ('sus', Chrom, FitnV , GGAP); % 选择 SelCh = recombin ('xovsp',SelCh,0.7); % 重组 SelCh = mut(SelCh); % 变异 variable=bs2rv(SelCh,FieldD); % 子代个体的十进制转换 ObjVSel =variable.*sin(10*pi*variable)+2.0; % 计算子代的目标函数值 [Chrom ObjV]=reins(Chrom,SelCh,1,1,ObjV ,ObjVSel); % 重插入子代的新种群 gen = gen+1; % 代计数器增加 % 输出最优解及其序号，并在目标函数图象中标出，Y 为最优解，I 为种群的序号 [Y,I]=max(ObjV),hold on; plot (variable (I),Y , 'bo'); trace (1,gen)=max (ObjV); %遗传算法性能跟踪
智能优化方法——遗传算法 自动化1002朱浩翔31002419 摘要 智能优化方法通常包括进化算法（Evolutionary Computation，EC）和群智能（Swarm Intelligence，SI）等两大类方法。遗传算法是属于进化算法中的一种，是一类主要受生物进化启发的基于种群的有向随机搜索方法。可随种群的发育或迭代的进行而逐渐获得问题的全局最优解。在向全局最优解的搜索过程中，种群中的全部个体将在问题空间中并行的进行选择、交叉、变异或重组等进化算子操作。 关键词：遗传算法、进化、操作步骤、研究状况 引言：遗传算法（Genetic Algorithm，GA）作为一种重要的现代优化算法，构成了各种进化计算方法的基础。本文主要阐述其工作原理、基本步骤、应用状况、未来发展趋势及存在的不足和改进[1]。 1.遗传算法的工作原理及操作步骤 1.1 基本原理 遗传算法类似于自然进化，通过作用于染色体上基因的寻找最好的染色体来求解问题。与自然界相似，遗传算法对求解问题的本身一无所知，它需要的仅是对遗传算法所长生的染色体有更多的繁殖机会。在遗传算法中，通过随机方式产生若干个求解问题的数字编码，即染色体，形成初试种群；通过适应度函数给每个个体一个数值评价，淘汰低适应度的个体，选择高适应度的个体参加遗传操作，经过遗传操作后的个体集合形成下一代新的种群，对这个新种群进行下一轮进化[2]。 1.2 操作步骤（典型的算法步骤） 1)初始化种群：这个初始的群体也就是问题的假设解的集合。 2)计算种群上每个个体的适应度。 3)按由个体适应度值所决定的某个规则选择将进人下一代的个体：该 准则为适应度准则，体现了适者生存，不适者淘汰。 4)按概率Pc进行交叉操作：对于选择用于下一代繁殖的个体随机地选 择两个个体相同的位置，按交叉概率Pc在选中的位置实行交换。 5)按概率Pm进行变异操作：根据生物遗传中基因变异的原理，以变异 的概率Pm对某些个体的某些位执行变异。 6)若没有满足某种停止条件，则转入2），否则进入下一步：当最优个 体的适应度达到给定的阈值，或者最有个体的适应度和群体适应度不再上升时，则算法的迭代过程收敛，算法结束，否则重新回到步骤2）。 7)输出种群中适应度最优的染色体作为问题的满意解或最优解 [2][3]。 2.遗传算法的应用状况及发展趋势 2.1 遗传算法的主要应用领域 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，对问题的种类有很强的鲁棒性，所以广泛应用于很多学科。
浅析宋词的美学特质 词在宋代创造了辉煌灿烂的成就，成为宋代独树一帜的文学形式。从而得到与唐诗并峙的崇高地位。宋词作为中国文学一个阶段的高峰，蕴藏了无尽的审美价值与艺术价值。在宋词中浅唱低吟，感受生活的韵味，美学的韵味。真率明朗、高旷清雄、婉约清新、奇艳俊秀、典丽精工、豪迈奔放、骚雅清劲，异彩纷呈。在众多文学巨匠们的笔下，清雅脱俗的灵感把境界由隐性过渡到显性，营造出高妙绝伦的意境，以一种跨时间、空间的方式塑造词人理想中的精神家园。 唐诗、宋词、元曲，是我国古代诗歌发展史上三座并峙的高峰。宋词，就其规模和影响来说，虽不及唐诗，但其价值却不在唐诗之下。我们认为，在文学领域的更新浪潮重，人们所作的种种努力，都是希求用一种最佳的审视角度，来寻觅一种最美的文学样式，以反映他们的精神状态。众所周知，唐代是诗国，但是到了宋代，人们并没有积极地弘扬唐代遗风，而是更多地选用了词这种文学样式来表达他们地情感，使词在本朝代蔚然大观，成为一代代表文学，能与唐诗相提并论，这肯定有宋代文人特定的审美观念的原因。不仅如此，这里面也肯定有某种历史的契机，历史的需要和某种历史的必然性因素在内，因此，也就不乏其美的价值存在。这就要求我们传统的观念，透过现像看本质，比较全面的看待宋词。 词应时代的需要，跻身于文学的“大雅之堂”，首先反映文人活跃的思想心态为特色，优于诗而显示它独有的美学特质。 随着社会的繁荣与发展，宋词逐步形成豪放和婉约两个流派，即美学上的“刚性美与柔性美”。自然界有两种美，提到“骏马秋风冀北”，大家会想到“雄浑”、“劲健”；提到“杏花春雨江南”，大家会想到“秀丽”、“纤浓”。前者是“气概”，后者是“神韵”；前者是刚性美，后者是柔性美。 豪放派代表人物有苏轼、辛弃疾等，婉约派代表人物有李清照、柳永等。历史上词风初始婉约，经苏轼等人的进一步发展才得来豪放词。正如《念奴娇?赤壁怀古》——“大江东去，浪淘尽，千古风流人物。故垒西边，人道是三国周郎赤壁。乱石穿空，惊涛拍岸，卷起千堆雪。江山如画，一时多少豪杰。遥想公瑾当年，小乔初嫁了。羽扇纶巾，谈笑间樯橹灰飞烟灭。多情应笑我早生华发。人生如梦，一尊还酹江月。”这首词最能体现豪放的特征。大江东去、乱石穿空、惊涛拍岸等词给人以雄浑之感。而词中所抒发的感怀身世的无奈与苍凉更给予人们深沉之感。同一个词人可以既写出豪放词又写出婉约词，而在同一首词中也可以既见豪放又见婉约。譬如，晏殊的《蝶恋花》——“楹菊愁烟兰泣露。罗幕轻寒，燕子双飞去。明月不谙离别苦，斜光到晓穿朱户。昨夜西风凋碧树，独上高楼，望尽天涯路。欲寄彩笺兼尺素，山长水阔知何处。”这首词抒发了离别相思之情。词人用拟人手法刻画菊花、兰花、等意象，而这些意象正体现出婉约词的特征。而下阙“独上高楼，望尽天涯路”开始词境陡转，“山长水阔”最能体现从上阙的深婉变化为下阙的宏阔，一首词中同时具有豪放与婉约的风格，给人以多重的艺
龙源期刊网 https://www.doczj.com/doc/e512058749.html, 遗传算法的研究及应用 作者：彭志勇邓世权 来源：《计算机光盘软件与应用》2013年第07期 摘要：遗传算法是一种典型的优化搜索算法，它的构造是使用人工的方式，并对生物遗传学和自然选择机理来进行模仿，是一种典型的数学仿真，而这种数学仿真是通过生物进化的过程来进行的，它是进化计算的一种非常重要的形式，它可以应用与生活中的很多领域。 关键词：遗传算法；函数优化；生产调度；自动控制 中图分类号：TP183文献标识码：A文章编号：1007-9599 (2013) 07-0000-02 遗传算法是一种典型的优化搜索算法，它的构造是使用人工的方式，并对生物遗传学和自然选择机理来进行模仿，是一种典型的数学仿真，而这种数学仿真是通过生物进化的过程来进行的，它是进化计算的一种非常重要的形式。与传统的数学模型进行比较，遗传算法有很多的不同的地方，因为它能够解决很多复杂的问题，而传统的数学模型却没办法做到。 1遗传算法的理论研究 1.1遗传算法的由来。美国密西根大学的霍兰德（Holland）将该算法应用于自然和人工系统的自适应行为的研究之中，并且在二十世纪七十年代中期，出版他的第一部著作《自然与人工系统中的适应》。随后，Holland与他的学生们将该算法进行了大力的推广，并把它应用到优化及机器学习等问题之中，而且正式定名为遗传算法。 1.2遗传算法的发展。遗传算法的兴起于20世纪70年代，而到了20世纪80年代的时 候，它正好属于一个发展中的过程，到了20世纪90年代时，它已经发展到了颠疯时刻。为一种实用性较强而又很有效率的优化技术，遗传算法的发展还是非常迅速，在国内外已经造成了非常大的影响力。 1.3遗传算法的基本思想。遗传算法是从一个种群（population）开始的，而这个种群代表问题可能潜在解集的，一个种群是由经过基因（gene）编码（coding）的一定数目的个体（individual）所组成。染色体是遗传物质的主要载体，它是由多个基因的集合，其内部表现是某种基因组合决定的。自从初始种群产生以后，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，根据问题域中个体的适应度（fitness）大小来挑选（selection）个体，遗传算法是采纳了选择、交叉、变异、迁移、局域 与邻域等自然进化模型，并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），从而产生出代表新的解集的种群。 遗传算法和传统搜索算法有很大的不同，它是通过一组随机产生的初始解开始搜索过程。染色体是类似于二进制串的一串符号，对于染色体的测量，我们通常是用适应度来它的好坏