实验八 植物细胞悬浮培养
实验目的：学习和掌握植物细胞悬浮培养的操作技术与方法。
实验器材：
超净工作台、恒温培养室、高压灭菌器、冰箱、恒温培养箱、培养瓶、250 mL 、500 mL三角瓶、镊子、酒精灯等。
配置MS液体培养基（2，4-D 2 mg/L+1%甘露醇 +3% 蔗糖，pH 5.8）分装于250ml的三角瓶中，每瓶50ml。
实验材料：烟草叶片愈伤组织。
实验方法：
1.70%乙醇净化工作台并擦洗干净，将所用的材料、工具、培养基等放入工作台。打开紫外灯和风机，15分钟后关闭紫外灯开始方可操作。
2. 在超净台上用无菌镊子夹取出生长旺盛的松软愈伤组织，放入150ml三角瓶中并轻轻夹碎,每个三角瓶加入培养基20-30ml，每瓶接种1-2g愈伤组织，按愈伤组织与液体培养基1∶10的比例，以保证最初培养物中有足够量的细胞。
3.接种后的三角瓶用天平称取重量并记载，然后置于摇床上，在转速100-120rpm，25℃下培养以及散射光条件下，进行振荡悬浮培养。
4.每周更换新鲜液体培养基两次，每次更换1/3。每次更换新鲜培养基时称取重量。
5. 每个人接种悬浮培养细胞1瓶，观察并记录细胞生长情况。
6. 培养7天后，制作细胞生长曲线：为了解县浮培养细胞的生长动态，可用以下方法绘制生长曲线图：
鲜重法：在转代培养的不同时间，取一定体积的悬浮培养物，离心收集后，称量细胞的鲜重，以鲜重为纵座标，培养时间为横座标，绘制鲜重增长曲线。
烟草遗传转化实验
实验目的
烟草是遗传转化的模式植物，已经建立了一套完善的转化再生体系。本实验以烟草为实验材料，了解根癌农杆菌介导法的基本原理和一般步骤，掌握遗传转化的基本操作技术。
实验要求：
掌握根癌农杆菌侵染植物获取转基因材料的方法；理解农杆菌介导途径进行基因转化的机理；了解转基因植物筛选的方法。
实验原理
根癌农杆菌是一种能诱发植物产生肿瘤的细菌，根癌农杆菌中诱导植物产生肿瘤的质粒，简称为Ti质粒。野生型农杆菌的Ti质粒，含有两个与致瘤有关的区域：一个是T－DNA区，含致瘤基因；另一个是毒性区，在T－DNA的切割、转移与整合过程中起作用。用于植物基因转化的农杆菌Ti质粒载体系统的构建，是将野生Ti质粒中的致瘤基因删除，并在T－DNA区域内插入适当的选择标记和多克隆位点。
遗传算法实验报告
专业：自动化 姓名：张俊峰 学号：13351067
摘要：遗传算法，是基于达尔文进化理论发展起来的一种应用广泛、高效的随机搜索与优化方法。本实验利用遗传算法来实现求函数最大值的优化问题，其中的步骤包括初始化群体、个体评价、选择运算、交叉运算、变异运算、终止条件判断。该算法具有覆盖面大、减少进入局部最优解的风险、自主性等特点。此外，遗传算法不是采用确定性原则而是采用概率的变迁规则来指导搜索方向，具有动态自适应的优点。
关键词：串集 最优化评估 迭代 变异
一：实验目的
熟悉和掌握遗传算法的运行机制和求解的基本方法。
遗传算法是一种基于空间搜索的算法，它通过自然选择、遗传、变异等操作以及达尔文的适者生存的理论，模拟自然进化过程来寻找所求问题的答案。其求解过程是个最优化的过程。一般遗传算法的主要步骤如下：
（1）随机产生一个确定长度的特征字符串组成的初始种群。。
（2）对该字符春种群迭代地执行下面的步骤a和步骤b，直到满足停止准则为止：
a计算种群中每个个体字符串的适应值；
b应用复制、交叉和变异等遗传算子产生下一代种群。
（3）把在后代中表现的最好的个体字符串指定为遗传算法的执行结果，即为问题的一
个解。
二：实验要求
已知函数y=f（x1,x2,x3,x4）=1/(x12+x22+x32+x42+1),其中-5≤x1,x2,x3,x4≤5,用遗传算法求y的最大值。
三：实验环境 操作系统：Microsoft Windows 7
软件：Microsoft Visual studio 2010
四：实验原理与步骤
1、遗传算法的思想
生物的进化是以集团为主体的。与此相对应，遗传算法的运算对象是由M个个体所组成的集合，称为群体。与生物一代一代的自然进化过程相类似，遗传算法的运算过程也是一个反复迭代过程，第t代群体极为P（t），进过一代遗传和进化后，得到第t+1代群体，他们也是由多个个体组成的集合，记做P（t+1）。这个群体不断地经过遗传和进化操作，并且每次都按照有优胜劣汰的规则将适应度较高的个体更多地遗传到下一代，这样最终在群体中将会得到一个优良的个体X，它所对应的表现性X将达到或接近于问题的最优解。
精品文档
. 实验四 遗传算法实验
一、 实验目的：
熟悉和掌握遗传算法的原理、流程和编码策略，并利用遗传求解函数优化问题，理解求解TSP问题的流程并测试主要参数对结果的影响。
二、 实验原理：
旅行商问题，即TSP问题（Traveling Salesman Problem）是数学领域中著名问题之一。假设有一个旅行商人要拜访n个城市，他必须选择所要走的路径，路经的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择目标是要求得的路径路程为所有路径之中的最小值。TSP问题是一个组合优化问题。该问题可以被证明具有NPC计算复杂性。因此，任何能使该问题的求解得以简化的方法，都将受到高度的评价和关注。
遗传算法的基本思想正是基于模仿生物界遗传学的遗传过程。它把问题的参数用基因代表，把问题的解用染色体代表（在计算机里用二进制码表示），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。要求利用遗传算法求解TSP问题的最短路径。
三、 实验内容及要求
1、参考实验系统给出的遗传算法核心代码，用遗传算法求解TSP的优化问题，分析遗传算法求解不同规模TSP问题的算法性能。
2、对于同一个TSP问题，分析种群规模、交叉概率和变异概率对算法结果的影响。
3、增加1种变异策略和1种个体选择概率分配策略，比较求解同一TSP问题时不同变异策略及不同个体选择分配策略对算法结果的影响。
4、上交源代码。
四、 实验结果（根据实验报告要求）
精品文档
. 1、 画出遗传算法求解TSP问题的流程图。
2、 分析遗传算法求解不同规模的TSP问题的算法性能。 （1） 遗传算法执行方式说明：
第 1 页 共 4 页
人工智能实验报告
第 2 页 共 4 页 遗传算法实验报告
一、 问题描述
对遗传算法的选择操作，设种群规模为4，个体用二进制编码，适应度函数,x的取值区间为[0,30]。
若遗传操作规定如下：
（1） 选择概率为100%，选择算法为轮盘赌算法；
（2） 交叉概率为1，交叉算法为单点交叉，交叉顺序按个体在种群中的顺序；
（3） 变异几率为0
请编写程序，求取函数在区间[0,30]的最大值。
二、 方法原理
遗传算法：遗传算法是借鉴生物界自然选择和群体进化机制形成的一种全局寻优算法。与传统的优化算法相比，遗传算法具有如下优点：不是从单个点，而是从多个点构成的群体开始搜索；在搜索最优解过程中，只需要由目标函数值转换得来的适应值信息，而不需要导数等其它辅助信息；搜索过程不易陷入局部最优点。目前，该算法已渗透到许多领域，并成为解决各领域复杂问题的有力工具。在遗传算法中，将问题空间中的决策变量通过一定编码方法表示成遗传空间的一个个体，它是一个基因型串结构数据；同时，将目标函数值转换成适应值，它用来评价个体的优劣，并作为遗传操作的依据。遗传操作包括三个算子：选择、交叉和变异。选择用来实施适者生存的原则，即把当前群体中的个体按与适应值成比例的概率复制到新的群体中，构成交配池（当前代与下一代之间的中间群体）。选择算子的作用效果是提高了群体的平均适应值。由于选择算子没有产生新个体，所以群体中最好个体的适应值不会因选择操作而有所改进。交叉算子可以产生新的个体，它首先使从交配池中的个体随机配对，然后将两两配对的个体按某种方式相互交换部分基因。变异是对个体的某一个或某一些基因值按某一较小概率进行改变。从产生新个体的能力方面来说，交叉算子是产生新个体的主要方法，它决定了遗传算法的全局搜索能力；而变异算子只是产生新个体的辅助方法，但也必不可少，因为它决定了遗传算法的局部搜索能力。交叉和变异相配合，共同完成对搜索空间的全局和局部搜索。
