重复的遗传学效应范例(3篇)

重复的遗传学效应范文

其中，b表示试题的区分度，h表示样本中高分组在某题上所得的平均分，l表示样本中低分组在某题上所得的平均分，k表示某题满分。高分组和低分组一般各占样本的25%～30%，最好取27%。一般来说，试题的区分度在0.4以上就被认为是很好的。在0.3～0.39之间，认为良好；在0.2～0.29之间，认为可以；在0.19以下，认为差，必须淘汰或加以修改。对在校学生的达标考试，试卷的区分度不宜太高，因为它不是选拔性质的考试。但也不能过低，否则对学生的鉴别效果差，不能很好的达到考试的目的。一般区分度控制在0.2～0.3之间为宜。(6)分值。某小题的分数。(7)答题时间。完成某题估计所需的时间。2自动组卷数学模型的建立自动组卷中决定一道试题，其实就是决定一个包含题号、题型、知识点、难度系数、区分度、分值、答题时间的七维向量（a1，a2，a3，a4，a5，a6，a7）。假设一套试卷中包含n道试题，一套试卷就决定了一个n×7的矩阵s：

这就是问题求解中的目标矩阵，其中ai1、ai2、ai3、ai4、ai5、ai6、ai7分别表示试卷中第i道题的题号、题型、知识点、难度系数、区分度、分值、答题时间。从矩阵s可以看出组卷问题是一个多重约束目标的问题求解，且目标状态不是唯一的。在实际组卷时，用户会对试卷提出多方面的要求，用户的每一个要求对应试卷的一个约束条件。要组成一份符合要求的、高质量的试卷，目标矩阵的分布要满足以下试卷约束条件。(1)试卷中包含的题型以及每种题型的题量要与用户的设置相符。k种题型的题量=

(2)试卷中包含知识点即考核知识点以及各考核知识点所占分数的比例要与用户设置相符。k种考核知识点所占分数=

(3)试卷的难度系数要满足用户的要求，试卷的难度系数一般用试卷中每道试题的难度系数的加权平均来计算。即：试卷的难度系数=/总分(4)试卷的区分度要满足用户的要求，试卷的区分度一般用试卷中每道试题的区分度的加权平均来计算。即：试卷的区分度=/总分(5)试卷的总分要与设置相符。即：试卷的总分=(6)试卷的总答题时间要与用户设置相符。即：试卷的总答题时间=在实际组卷时，试卷的总分、考核知识点、各题型每小题分值、试卷中包含的题型、各题型的题量都应该是精确达到的。试卷中各考核知识点所占的分数、试卷的难度系数、区分度和试卷的总答题时间这四个约束条件可以存在一定的误差。误差的大小由用户的期望值和各约束条件的重要性决定。在实际应用中，各约束条件的重要性是不同的，因此，目标函数就取各项误差的加权和。目标函数f可以表示为：

为了不至于各项误差相互抵消，实际值与用户要求值的误差都取绝对值。其中，试卷中各考核知识点所占的分数和试卷的总答题时间这两项的误差为实际值与用户要求值的误差绝对值与用户要求值的比，试卷的难度系数和区分度这两项的误差为实际值与用户要求值的误差的绝对值。wi表示第i个约束条件的权值，wi通常由专家经验或试验给出，0≤wi≤1，。由上式可知，目标函数f的值越小，即误差越小，问题的解越优，即生成的试卷越接近用户的需求。3遗传算法遗传算法[3，4，5]是以适应度函数（或目标函数）为依据，通过对群体中的个体进行遗传操作实现群体内个体结构重组的迭代处理过程。在这一过程中，群体中的个体一代一代地得以优化，并逐渐地逼近最优解，最终获得最优解。传统遗传算法的主要步骤包括初始染色体群体生成、适应度评估和检测、选择操作、交叉操作和变异操作。传统遗传算法流程图如图1所示（其中t为进化代数，t0为最大进化代数）。图1传统遗传算法流程图

重复的遗传学效应范文篇2

【关键词】染色体

【关键词】9号染色体；臂间倒位；遗传效应

9号染色体臂间倒位是染色体结构异常的一种类型，对其引起的临床效应众说不一，有的认为是导致自然流产、死胎、畸形、不育不孕的原因之一［1］，有的认为是正常多态［2］。为此，我们对在遗传咨询和细胞遗传学检查时发现的21例9号染色体臂间倒位携带者的临床与遗传效应进行了分析。报告如下。

1对象和方法

1.1对象1994―2004年来我室进行遗传咨询和染色体检测者，包括自然流产史、畸形生育史、不育不孕、智力低下等。年龄在5~38岁之间。

1.2方法常规行外周血淋巴细胞培养与制片，进行G显带，每例计数30个分裂相，分析5个核型，异常者加倍计数与分析。

2结果

21例9号染色体臂间倒位中，11例发生自然流产，3例不孕不育史，4例畸形生育史，1例智力低下，1例少精症，1例畸形儿。9号染色体臂间倒位携带者的临床与遗传效应见表1。

表1染色体臂间倒位携带者的临床与遗传效应序号[略]

3讨论

染色体臂间倒位是染色体结构异常的一种类型，它几乎涉及到所有的染色体，但在临床上9号染色体臂间倒位发生率最高。国内报道其发生率为0.82%［3］。染色体臂间倒位携带者在其配子形成过程中，同源染色体配对在第一次减数分裂中将形成特有的倒位圈、经过倒位圈内奇数互换，理论上将形成4种不同配子。如倒位环内不发生互换，将形成一个正常配子，一个携带倒位染色体的配子，如倒位圈中发生一次交换，将形成2种不平衡的配子，均带有部分重复和缺失的染色体。以上4种配子与正常配子结合形成不同类型的4种合子，其中1种为正常染色体，1种为倒位染色体携带者；其余2种为部分重复和部分缺失的异常染色体的携带者。由于染色体臂间倒位本身属于一种平衡重排，不会导致遗传物质的丢失，因此携带者通常具有正常表型。但如果断裂点破坏了该位点上的基因，就可导致疾病的发生。臂间倒位染色体的遗传效应主要决定倒位片段长短及是否互换，倒位片段越长，越易互换，重组后染色体的重复和缺失部分越短，合子越易发育，畸形儿发育率越高。反之，倒位片段越短，越不宜发生互换，一但互换，重组后重复和缺失部分越长，合子越难以发育，多表现为不育和早期流产，却很少有畸形儿的出生［4，5］。在我们检出的21例9号染色体臂间倒位中，有11例发生自然流产、死胎，3例不孕不育史，4例畸形生育史，1例智力低下，1例少精症，1例畸形儿。它们都有临床效应（可能与我们的病员来源有关）。我们认为，9号染色体臂间倒位，不能视为正常多态，应该引起高度重视。对在临床上检出的染色体臂间倒位携带者再次妊娠时应做好产前诊断，指导其生育，避免畸形患儿的出生。

参考文献

1.何春娜，张海瑞，王爱勤，等.9号染色体臂间倒位对生育影响的研究［J］.中国优生与遗传杂志，1996，4（5）：33

2.周焕庚，夏家辉，张思仲.人类染色体［M］.北京：科学出版社，1987.63

3.李麓芸，夏家辉，戴和平，等.染色体臂间和臂内倒位的遗传咨询［J］.遗传与疾病，1985，2（1）：35

重复的遗传学效应范文

一、遗传算法的原理

遗传算法是模拟达尔文的生物自然选择学说和自然界的生物进化过程的一种自适应全局概率搜索算法。在解决具体问题时先大致确定问题的潜在解的一个集合，这个集合就是算法的初始种群。种群由计算机生成（一般是随机生成）的一定数目的个体组成，个体就是潜在解的计算机编码，那么我们最后要求的解就由这些初始生成的个体进化而来。每个个体具有其自的特征（携带不同基因），我们根据这些个体的不同的特征来确定其存活到下一代的可能性高低，按照优胜劣汰的法则，我们由父代来产生子代，如此来繁衍。

当然在具体的进化过程中为了保持种群多样性防止过早收敛，还要在其中使个体以一定小概率发生变异。这样在最后满足收敛条件后的种群最优个体就是问题的近似最优解。遗传算法的实现过程主要包括编码、产生群体、计算适应度、复制、交换、变异等操作。

二、遗传算法的应用

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。下面是目前遗传算法的主要应用领域：

1、函数优化

工程上经常会遇到在多准则或多设计目标下设计和决策的问题，如果这些目标是相背的，需要找到满足这些目标的最佳设计方案。通常的做法是根据某有效函数将多目标合成单一目标来进行优化。

函数优化是遗传算法的经典应用领域，也是对遗传算法进行性能评价的常用算例。很多人构造出了各种各样的复杂形式的测试函数。有连续函数也有离散函数，有凸函数也有凹函数，有低维函数也有高维函数，有确定函数也有随机函数，有单峰值函数也有多峰值函数等。用这些几何特性各具特色的函数来评价遗传算法的性能，更能反映算法的本质效果而对于一些非线性、多模型、多目标的函数优化问题，用其他优化方法较难求解。而遗传算法却可以方便地得到较好的结果。

2、组合优化

组合优化是指在给定约束条件下，求解目标函数的最优值。随着问题规模的增大，组合优化问题的搜索空间也急剧扩大。有时在目前的计算机上用枚举法很难或甚至不可能求出其精确最优解。对这类复杂问题，人们已意识到应把主要精力放在寻求其最佳求解上，而遗传算法是寻求这种解的最佳工具之一。现如今，遗传算法已经在旅行商问题、背包问题、装箱问题、布局优化、图形划分问题等各种具问题中得到成功的应用。

3、生产调度问题

生产调度问题在很多情况下建立起来的数学模难以精确求解，即使经过一些简化之后可以进行求解.也会因简化得太多而使得求解结果与实际相差甚远。目前在现实生产中主要是靠一些经验来进行调度。现在遗传算法已成为解决复杂调度问题的有效下具。在单件生产车间调度、流水线生产间调度、生产规划、任务分配等方面遗传算法都得到了有效的应用。

4、自动控制

许多控制领域问题，当考虑到系统优化、自适应、自组织和自学习等方面的要求时，一般存在许多常规方法难以凑效的困难。遗传算法已在其中得到了初步的应用，并显示出良好的效果。例如用遗传算法进行航空控制系统的优化、使用遗传算法设计空间交会控制器、基于遗传算法的模糊控制器的优化设计、基于遗传算法的参数辨识、基于遗传算法的模糊控制规则的学习、利用遗传算法进行人工神经网络的结构优化设计和权值学习等。都显出了遗传算法在这此领域中应用的可能性。

5、机器人学

机器人是一类复杂的难以精确建模的人工系统，而遗传算法的起源就来自于人工自适应系统的研究。所以，机器人学理所当然地成为遗传算法的一个重要应用领域。例如，遗传算法已经在移动机器人路径规划、关节机器人运动轨迹规划、机器人逆运动学求解、细胞机器人的结构优化和行为协调等方而得到研究和应用。

6、图像处理

图像处理和模式识别是计算机视觉中的一个重要领域。在图像处理过程中，如扫描、特征提取、图像分割等不可避免地会存在误差，从而影响图像的效果。如何使这些误差最小是使计算机视觉达到实用化的重要要求。目前遗传算法已经在图像校准、图像分割、几何形状识别、图像压缩、三维重建优化以及图像检索、模式识别（包括汉字识别）、图像恢复、图像边缘特征提取等方而得到了很好的应用。

7、人工生命

人工生命是用计算机、机械等人下媒体模拟或构造出的具有自然生物系统特有行为的人造系统。自组织能力和自学习能力是人工生命的两大主要特征。虽然人工生命的研究尚处于启蒙阶段，但遗传算法已在其进化模型、学习模型、行为模型、自组织模型等方面显示出了初步的应用能力，并且必将得到更为深入的应用和发展。人工生命与遗传算法相辅相成，遗传算法为人工生命的研究提供一个有效的下具，人工生命的研究也必将促进遗传算法的进一步发展。基于遗传算法的进化模型是研究人工生命现象的重要理论基础，遗传算法已在其进化模型、学习模型、行为模型等方面显示了初步的应用能力。

8、机器学习

学习能力是高级自适应系统所具备的能力之一，基于遗传算法的机器学习，特别是分类器系统，在很多领域中都得到了应用。例如，遗传算法被用于学习模糊控制规则，利用遗传算法来学习隶属度函数，从而更好地改进了模糊系统的性能；基于遗传算法的机器学习可用来调整人工神经网络的连接权，也可用于人工神经网络结构优化设计；分类器系统也在学习式多机器人路径规划系统中得到了成功的应用。

9、数据挖掘

数据挖掘是从大型数据库中提取隐含的、先前未知的、有潜在应用价值的知识和规则。许多数据挖掘问题可看成是搜索问题，数据库看作是搜索空间，挖掘算法看作是搜索策略。因此，应用遗传算法在数据库中进行搜索，对随机产生的一组规则进行进化.直到数据库能被该组规则覆盖，从而挖掘出隐含在数据库中的规则。Sunil已成功地开发了一个基于遗传算法的数据挖掘下具。利用该工具对两个飞机失事的真实数据库进行了数据挖掘实验，结果表明遗传算法是进行数据挖掘的有效方法之一。

除此之外，随着对遗传算法的进一步研究和发展，遗传算法将在更多的领域发挥其作用。现在遗传算法还分别在经济学、免疫系统、生态学、进化现象和学习现象、社会经济问题等方面都有所应用。

参考文献

1、钱志勤、腾弘飞，孙治国。人机交互的遗传算法机器在约束布局优化中的应用.计算机学报，2001

2、马玉明，贺爱玲，李爱民.遗传算法的理论研究综述.山东轻工业学院学报，2004，18（3）：77～80

3、吉根林.遗传算法研究综述.计算机应用与软件，2004，21（2）：69～73

4、马光文，王黎.遗传算法在水电站优化调度中的应用.水科学进展，1997，8

5、姚文俊.遗传算法及其研究进展.计算机与数字工程，2004，32（4）：41～43