生物信息学课程设计

算法程序设计成绩（30分）报告撰写成绩（30分）回答问题与平时成绩（40分）总成绩生物信息学课程设计报告（算法编程实现类）副题：生物信息遗传算法编程实现院系部门：重庆邮电大学生物信息学院学生学号：学生姓名：指导教师：生物信息学院制2013年12月目录第一部分遗传算法研究背景、特点与发展 ------------------------------------------------------------- 31.1 遗传算法研究背景---------------------------------------------------------------------------------- 31.2 遗传算法特点---------------------------------------------------------------------------------------- 31.3 遗传算法发展---------------------------------------------------------------------------------------- 31.4 本算法编程实现内容和方案 --------------------------------------------------------------------- 4 第二部分算法分析与程序流程图设计-------------------------------------------------------------------- 42.1 基于问题的描述 -------------------------------------------------------------------------------------- 42.2 基于问题的知识表示 -------------------------------------------------------------------------------- 42.2.1 状态表示--------------------------------------------------------------------------------------------- 42.2.2 控制参数--------------------------------------------------------------------------------------------- 42.2.3算法描述 --------------------------------------------------------------------------------------------- 42.3 基于问题的java算法分析 ------------------------------------------------------------------------ 52.4 算法流程图--------------------------------------------------------------------------------------------- 6 第三部分实现设计语言选择与算法编程实现 ---------------------------------------------------------- 63.1 java实现算法----------------------------------------------------------------------------------------- 6 第四部分程序测试与结果分析 ---------------------------------------------------------------------------- 164.1 测试结果----------------------------------------------------------------------------------------------- 164.1.1 用户界面-------------------------------------------------------------------------------------------- 164.1.2 输入数据-------------------------------------------------------------------------------------------- 164.1.3 输出结果-------------------------------------------------------------------------------------------- 164.2结果分析------------------------------------------------------------------------------------------------ 17 第五部分总结与心得体会 ---------------------------------------------------------------------------------- 17 第六部分参考文献-------------------------------------------------------------------------------------------- 18第一部分遗传算法研究背景、特点与发展1.1 遗传算法研究背景众所周知，在人工智能领域中，有不少问题需要在复杂而庞大的搜索空间中寻找最优解或准优解。

像货朗担问题和规划问题等组合优化问题就是典型的例子。

在求解此类问题时，若不能利用问题的固有知识来缩小搜索空间则会产生搜索的组合爆炸。

因此，研究能在搜索过程中自动获得和积累有关搜索空间的知识，并能自适应地控制搜索过程，从而得到最优解或准有解的通用搜索算法一直是令人瞩目的课题。

遗传算法就是在这种背景下产生并经实践证明特别有效的算法。

1.2 遗传算法特点遗传算法具有以下几方面的特点：(1)遗传算法从问题解的串集开始搜索，而不是从单个解开始。

这是遗传算法与传统优化算法的极大区别。

传统优化算法是从单个初始值迭代求最优解的；容易误入局部最优解。

遗传算法从串集开始搜索，覆盖面大，利于全局择优。

(2)遗传算法同时处理群体中的多个个体，即对搜索空间中的多个解进行评估，减少了陷入局部最优解的风险，同时算法本身易于实现并行化。

(3)遗传算法基本上不用搜索空间的知识或其它辅助信息，而仅用适应度函数值来评估个体，在此基础上进行遗传操作。

适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。

这一特点使得遗传算法的应用范围大大扩展。

(4)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他的搜索方向。

(5)具有自组织、自适应和自学习性。

遗传算法利用进化过程获得的信息自行组织搜索时，适应度大的个体具有较高的生存概率，并获得更适应环境的基因结构。

1.3 遗传算法发展1967年，Holland的学生J.D.Bagley在博士论文中首次提出“遗传（Genet -ic Algorithms）”一词。

此后，Holland指导学生完成了多篇有关遗传算法研究的论文。

1971年，R.B.Hollstien在他的博士论文中首次把遗传算法用于函数优化。

1975年是遗传算法研究历史上十分重要的一年。

这一年Holland出版了他的著名专著《自然系统和人工系统的自适应》（Adaptation in Natural and Artificial Systems），这是第一本系统论述遗传算法的专著，因此有人把1975年作为遗传算法的诞生年。

进入90年代，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。

尤其是遗传算法的应用研究显得格外活跃，不但它的应用领域扩大，而且利用遗传算法进行优化和规则学习的能力也显著提高，同时产业应用方面的研究也在摸索之中。

此外一些新的理论和方法在应用研究中亦得到了迅速的发展，这些无疑均给遗传算法增添了新的活力。

遗传算法的应用研究已从初期的组合优化求解扩展到了许多更新、更工程化的应用方面。

1.4 本算法编程实现内容和方案本算法的实现内容为背包问题，具体方案见第二部分。

第二部分算法分析与程序流程图设计2.1 基于问题的描述给定n种物品和容量为C的背包。

物品i的重量是wi，其价值为vi。

问应如何选择装入背包的物品，使得装入背包中物品的总价值最大?2.2 基于问题的知识表示2.2.1 状态表示1、个体或染色体：问题的一个解，表示为n个比特的字符串，比特值为0表示不选该物品，比特值为1表示选择该物品。

2、基因：染色体的每一个比特。

3、种群：解的集合。

4、适应度：衡量个体优劣的函数值。

2.2.2 控制参数1、种群规模：解的个数。

2、最大遗传的代数3、交叉率：参加交叉运算的染色体个数占全体染色体的比例，取值范围一般为0.4～0.99。

4、变异率：发生变异的基因位数所占全体染色体的基因总位数的比例，取值范围一般为0.0001～0.1。

2.2.3算法描述1、在搜索空间U上定义一个适应度函数f(x)，给定种群规模N，交叉率Pc和变异率Pm，代数T；2、随机产生U中的N个个体s1, s2, …, sN，组成初始种群S={s1, s2, …, sN}，置代数计数器t=1；3、计算S中每个个体的适应度f() ；4、若终止条件满足，则取S中适应度最大的个体作为所求结果，算法结束。

5、按选择概率P(xi)所决定的选中机会，每次从S中随机选定1个个体并将其染色体复制，共做N次，然后将复制所得的N个染色体组成群体S1；6、按交叉率Pc所决定的参加交叉的染色体数c，从S1中随机确定c个染色体，配对进行交叉操作，并用产生的新染色体代替原染色体，得群体S2；7、按变异率Pm所决定的变异次数m，从S2中随机确定m个染色体，分别进行变异操作，并用产生的新染色体代替原染色体，得群体S3；8、将群体S3作为新一代种群，即用S3代替S，t = t+1，转步3。

2.3 基于问题的java算法分析产生初始群体在java中用Math.random()方法产生一个随机数，并以次为标准产生一个初始群体来实现，把数据保存到generatePopu[ ][ ]数组中。