遗传距离分析

遗传距离分析（精选3篇）

遗传距离分析 篇1

1 概述

免疫遗传算法(Immune Genetic Algorithm,IGA)将遗传算法(Genetic Algorithm,GA)和人工免疫算法(Immune Algorithm,IA)相互交叉融合,如今已经发展成为一种应用广泛的新型算法[1]。基于GA算法的迭代架构,IGA算法利用生命科学中的免疫原理,以先验知识、启发式的规则作为疫苗并构造免疫算子,加快了全局收敛的速度,同时又避免了局部早熟的缺陷。IGA算法在解决诸如组合优化、车间调度等复杂优化问题方面较GA算法及IA算法有较大优势。近年来,也有很多学者IGA算法进行了改进研究,文献[2]中基于克隆增殖思想对IGA算法进行了改进,并结合CVRP问题的典型算例对新算法进行了实例验证,取得较好结果;文献[3]将分布式遗传算法(Distributed Genetic Algorithm, DGA)的思想引入到IGA算法中,提出多种群策略和迁移算子策略,从而有效提高了算法的搜索范围。但在诸多先进的人工智能算法发展融合的背景下,仍然出现如最优解质量不高、种群多样性较低等不足之处。本文基于多种群克隆思想,并引入欧式距离对算法进行改进,以解决算法存在的缺陷。

2免疫算法(IA)

IA算法借鉴生物免疫系统基本机制,模拟生物免疫系统自适应调节过程,实现了包括抗原识别、细胞分化和免疫记忆等功能。基于分布自适应和动态平衡的免疫系统,IA算法在处理各种问题上具有显著的识别“自己”、“非己”和根据环境进行自动调节的优势。

IA算法在优化领域应用广泛,但也存在下列缺点[4]:

1)抗体评价较单一;

2)对高亲和度抗体和低亲和度抗体不能很好利用;

3)记忆库往往只在产生初始群体时被使用,没有真正起到加速收敛的效果。

3免疫遗传算法(IGA)

IGA算法沿用类似遗传算法的搜索策略,通过构造免疫算子,利用疫苗接种和免疫选择两个步骤完成种群的进化。IGA算法中引进了免疫记忆库和浓度控制机制,克服了GA算法容易陷入局部收敛等缺点。算法流程图如图1所示。

4 基于欧式距离的多种群克隆免疫遗传算法

IGA算法在解决复杂优化问题上与传统的GA算法相比已具明显优势,但由于交叉和变异操作的参数不容易确定,导致算法出现早熟收敛现象。同时,算法在迭代寻优过程中,虽然通过疫苗接种和免疫选择两个操作进行有选择、有目的地寻找最优解,但是单纯地接种疫苗有可能使种群朝着一个方向进化,降低了种群的多样性[5]。针对IGA算法的这些不足,本文提出基于欧式距离的多种群克隆免疫遗传算法(Multiple Popula⁃tion Clone Immune Genetic Algorithm,MPCIGA)。

4.1 欧氏距离原理

为了提高搜索的速率,采用欧氏距离代替信息熵,来反映抗体的多样性和计算抗体与抗体的亲和度。其具体做法如下:在特定的抗体群中共有N个抗体,给定抗体u ,其任一抗体j的欧氏距离记为d(u,j),j = 1,2⋯N对应于所求问题给定一常数a1>0若:d(u,j)< a1则称抗体u和抗体j相似; 与抗体u相似的抗体(包括抗体u )的个数称为抗体u的浓度,记为Lu。

对于特定的规模为N的抗体群,其多样性指标为Idiv

B为抗体群分组后的个数。这时,抗体u期望繁殖率可由下式表示:

期望繁殖率与适应度成正比,与浓度成反比,这样既保证了算法的收敛速度,又维持了抗体的多样性。

4.2 多种群原理

基本的IGA算法是一种单种群进化算法,它只重视种群内部个体的资源竞争,忽视了种群层次的遗传操作。为解决这个问题,我们可以将遗传的竞争过程分为子群体间的竞争和子群体内个体间的竞争两个部分,前者代表算法的全局搜索能力,后者则代表局部搜索能力,这样可以有效地克服模式欺骗问题[6]。基于上述思想,本文提出了基于欧式距离的多种群克隆免疫遗传算法。

为了消除IGA算法中种群的单一性,防止算法陷入局部最优,我们根据各个种群的种群多样性而动态地产生一个杂交参数k,通过衡量各个种群的平均成熟程度,进而自适应地选择每一个种群中的k个个体和最优个体,并互相交换,以打破种群的平衡。

我们用平均欧氏距离表示两个种群的种群多样性,如式(10)所示:

若两种群的种群规模均为N,此时两种群的杂交参数k为:

式(6)中,∂ 为调节因子。

4.3 克隆选择原理

克隆算子由三部分组成:克隆增殖、克隆变异、克隆选择。设抗体群A={A1,A2,…An}为抗体A的n元组。

4.3.1克隆增殖

根据亲和力的大小确定克隆繁殖的个数,亲和力大的抗体,克隆规模大,亲和力小的抗体,克隆规模小,从而保证较优的个体有较大的生存空间,提高种群的整体质量。克隆增殖是种群进化操作之一。式(7)是克隆增殖的表达式。

式(7)中,Nc是抗体种群的克隆规模,int(x)表示取大于x的最小整数。qi为克隆规模量它依赖抗原亲和度f(Ai)并可自适应地调整,亲合度大的个体其克隆规模量也大。克隆操作生成了单一抗体的多个镜像,实现了个体空间的自适应地扩张。克隆之后,种群变为:

4.3.2克隆变异

通过克隆变异能够使得抗体群有效跳出局部最优解。本文采用倒位算子对抗体群进行多重的高频变异。首先对所有的克隆抗体以概率1进行倒位操作,并且对于抗体Ai的qi克隆,必须保证每个克隆个体的倒位位置不同。然后对倒位后的抗体进行多重变异操作,变异操作如下:随机选取两个倒位基因点r和s ,(r < s ,抗体基因长度l),则种群变为:

克隆变异能够保留抗体原始种群的信息。经过倒位操作和变异操作后,种群变为:

4.3.3克隆选择

克隆选择可以提高种群的多样性。首先筛选出群体中亲和力较小的抗体,然后用随机产生的等量新抗体取代[7]。设高频变异后的克隆子群为Ai″(i = 1,2,⋯,n) 。

使得

则用Bi取代原抗体Ai;否则,保留父代原始抗体Ai。因此通过克隆选择可以更新抗体群,实现了种群间的信息交换。克隆选择操作根据个体亲和度的大小来衡量个体生存的能力,实现了在候选解附近的局部搜索,进而实现全局搜索,

4.4 MPCIGA算法步骤

MPCIGA算法操作步骤为:

抗原识别。

Step 2 初始化种群。针对待求问题的特征,以不同的随机方式在解空间产生多个初始种群。

Step 3 种群适应度计算。计算每个染色体的适应度,并用欧氏距离计算抗体的浓度。

Step 4 终止条件判断。判断是否满足终止条件,若是则输出最优解。

Step 5 提取疫苗。疫苗是指依据人们对待求问题的经验知识而从中提取出的一种基本的特征信息,在实际计算中,通常为最佳个体的某几位基因的排列方式。

Step 6 克隆操作。通过克隆增殖、变异和选择操作产生新的抗体群。

Step 7 疫苗接种。在每个种群中按照比例a (0<a<1) 随机抽取na个体,按疫苗所包含的最优解的匹配模式修改个体上某些基因位上的基因,当修改后的个体基因与最佳个体的基因不相同时,则将该个体基因保留。

Step 8 免疫选择。在每次遗传操作结束后,随机抽取一些个体注射疫苗并进行免疫检测

Step 9 计算种群平均欧式距离。

Step10杂交操作。转到Step 3继续循环进化。

MPCIGA算法流程图如图2所示:

5 算法仿真

本文采用国际标准测试函数Rosenbrock进行算法比较测试[8]。式(12)为Rosenbrock函数的表达式。

其中,-10<xi<10。其函数图像如图3所示。

Rosenbrock函数在(x1,x2,…,xn)=(1,1,…,1) 时达到极小值0。分别将IA算法、IGA算法和MPCIGA算法三种算法进行比较,参数设置如下:编码长度30,种群大小50,迭代次数500,交叉概率0.8,变异概率0.6。寻优结果如图4-图6所示。

由上图可以看出,抗体的初始位置均散落分布在空间的各个角落,经过迭代运算,最终聚集在XOY的平面上,说明在抗体在不断优化自己的位置(即适应度),以求更近一步清除抗原(解决问题)。三种算法各运行50次后结果如表1所示:

由表1数据可以看出,MPCIGA算法的寻优精度和效率均比其他算法有较好优势,说明多种群协作搜索和克隆因子操作能够促进算法的进化,并扩大搜索空间,增强种群多样性,克服了原算法的缺陷,验证了算法改进的合理性和有效性。

对MPCIGA算法进行进一步分析得出,算法的寻优曲线不稳定,受初始值影响较大,如图7所示。

图7 为随机选取的四组初始值的寻优曲线。抗体的生成和种群的分组均由计算机随机分配的,仿真表明,初始值的优劣会直接影响收敛进程和寻优曲线的浮动性。较好的初始值,寻优的曲线较稳稳定,较差的初始值则相反。因为初始值较好,很快地就进入准确的搜索方向,而初始值较差,计算机智能扩大搜索范围,不断地跳出局部最优的禁锢,因此寻优曲线会较不稳。

6 结语

本文提出的MPCIGA算法是针对IGA算法所存在的缺陷而进行的改进,通过多种群进化和克隆变异,增强了种群多样性,提高了最优解质量,消除了在解决复杂问题时IGA算法计算量呈爆炸式增长的现象。克隆变异使得寻解过程中的搜索范围扩大,把局部搜索和全局搜索有机结合起来;引入多种群的思想使得各种群能够协作搜索发展,防止早熟和加快进化速度。仿真结果也证明了本文所做的算法改进的正确性。

参考文献

[1]L.C.Jiao,L.Wang.A Novel Genetic Algorithm Basedon Immunity[J].IEEE Tran.on System,Man,and Cybemetics.2000,30(5):552-561.

[2]崔红建,改进免疫遗传算法在组合优化问题中的应用研究[D].大连海事大学.2012:30-41.

[3]苑立杰,免疫遗传算法在车辆路径问题中的应用研究[D].大连海事大学.2013:44-51.

[4]苏彩红,朱学锋,毛宗源.一类免疫优化算法及其应用[J].西南交通大学学报,2002,37(6):677-680.

[5]马佳,改进免疫遗传算法及其在优化调度问题中的应用研究[M].东北大学.2007:27-70.

[6]司书宾,孙树栋,徐娅萍.求解Job-shop调度问题的多种群双倍体免疫算法研究[J],西北工业大学学报,2007,25(1):27-30.

[7]焦李成,杜海峰,刘芳,等.免疫优化计算!学习与识别[M].北京:科学出版社,2006:60-82.

[8]王凌.智能优化算法及其应用[M].北京:清华大学出版社,2001:1-24.

遗传距离分析 篇2

比较分析：理想与现实的距离有多远

雅虎的`故事：当智慧遇见资本 “你在书本上读不到真正的硅谷，你可以走进硅谷的咖啡馆里吃个早餐，去听听那些风险投资家与创业家谈论如何能创立公司，你就能真正读到硅谷了”，斯坦福大学工程院院长肯尼斯先生如是说。创业者带着自己的创意在这里寻找着投资，而投资家们也在这里找寻着能为自己带来财源的创业者。

作 者：作者单位：刊 名：资源开发与市场英文刊名：RESOURCE DEVELOPMENT & MARKET年，卷(期)：“”(3)分类号：F27关键词：

遗传距离分析 篇3

做为一对大龄男女，李奈一直在爱情路上磕磕碰碰，寻不到满意的意中人。我虽说有恋人，只可惜遇人不淑，在同一单位的男友徐烈昨天还和自己情意绵绵，一起温柔乡里翻云覆雨，一转眼却又攀上了高枝。伤心人碰上了失意者，我和李奈在见过一两次面后，就怀着一种急婚迫嫁的复杂心情举行了简朴的婚礼。

婚后，我们夫妻相处融洽，生活美满。只是往事不是说忘记就忘得了的，夜深人静或一个人独处时，我常常一个人回忆跟徐烈在一起的美好时。

第二年，我就生下儿子李峰。孩子的降临给这个小家更增添了和谐。可随着孩子渐渐长大。我发现儿子越长越不像李奈，而且对于他当初仓促结婚有意见的公婆更是时常在旁边嘀咕：“越看越不像咱李家人。”

不久，我和一个一向言词彪悍的女同事发生口角。争持中，她竟然大声地骂道：“谁像你呀，离婚了还去找以前的男人生儿子，让老公戴绿帽!”我一时气结：“你少污人清白。”对方却振振有词地说：“你和丈夫生的孩子，为什么却像徐烈?不是你们藕断丝连就是你旧情难忘吃着碗里看着锅里……”

带着一肚子气回家，一进门就看见李奈正坐在沙发上独自闷头抽烟，身旁的孩子坐在冰冷的地上他也不管不顾。见此情景，心里不痛快的我忍不住生气地说：“你是怎么带孩子的?孩子坐在地上不会着凉么?你还像个做父亲的吗?”李奈回敬道：“我凭什么要管他带他养他?谁不知道孩子是你以前那个相好的!”

原来，自己和同事争吵的那一幕恰好让前来接我的李奈听到了。这个傻得可以的男人竟信以为真，以为自己一直当宝贝样疼爱的孩子真的是我和徐烈的“野种”。

在单位受气不说，回到家还继续当“冤大头”，气恼伤心中，我赌气提出了离婚。李奈执拗地说：“离不离婚不是你这种有过错的人说了算的，就算离婚，我也不会出一分钱的抚养费。”

天地良心，自从和徐烈分手后，他就去了南方，我们再也没有见过面。可偏偏，经同事和李奈一闹，我仔细瞧瞧。儿子还真和徐烈想像。得出这个结论后，我差点跌倒在地，真是跳进黄河也洗不清了。

经做妇科的表姐建议，我决定给孩子做个DNA检测。

鉴定结果表明，李奈和儿子李锋的父子关系概率为99.99％。也就是说，李锋肯定是李奈的亲生子。看到科学论证的结果，李奈目瞪口呆，我心头的一块石头也落了地。可想到今后还将面对别人的指点，我忍不住问道：“既然如此，为什么我们的孩子不像他而像徐烈呢?”

妇产专家解释道：“这事还得从你婚前生活说起。在你和徐烈恋爱时，双方正处在感情火热之中，年轻的身体也有着旺盛的精力。于是，在你们以前的频繁性生活中，徐烈会有亿万个精子进入你的体内。一般来说，精子在进入女性体内之后，除了一部分流出阴道外，其它的精子都会自溶。自溶的精子会释放出一种遗传物质‘核蛋白体’，这些遗传物质可能被女性生殖器官的内腺吸收。与此同时，精液中还含有多种性激素，这些性激素也被女性吸收。被吸收的精子和性激素中的遗传物质脱氧核糖核酸(DNA)，能使母体的生殖细胞产生遗传变异而被同化，进而引起卵细胞随之变化，因而产生‘远距离遗传’的效果。即你和对方虽然没有了身体接触，没有了性生活，但他的遗传因子还是会在你怀孕时显现出来，这就造成了你们俩的孩子像徐烈的现象。这种情况由现代遗传学专家在动物实验中证实在人类生育中极其罕见，但也是有可能的。”

听完专家的话，李奈彻底清楚是他错怪了我和孩子。他一边愧疚地紧紧抱着儿子，一边当着表姐和专家的面，郑重地向我道歉。在表姐的劝慰下，我也就坡下驴： “唉，怪只怪我们的科学知识太少，不知道有这种怪异的遗传方式，才有了今天的误会。”