种子真空侵染法遗传转化体系的建立与优化
第４１卷一第１期２０１９年３月一一一一一一延一边一大一学一农一学一学一报A g r i c u l t u r a l S c i e n c e J o u r n a l o fY a n b i a nU n i v e r s i t y
一一一一一V o l ．４１N o ．１一M a r ．２０１９收稿日期:２０１９Ｇ０１Ｇ２２一基金项目:国家青年科学基金项目(３１３０１０４３)
,吉林省教育厅 十三五 科研规划项目(J J K H ２０１９１０１３K J )作者简介:杨丽萍(１９７４－),女,吉林蛟河人,博士,研究方向为表观遗传学,金太成为通信作者,一一一一E Ｇm a i l :J i n t a i c h e n g ２５３５＠１６３．c o m 文章编号:１００４Ｇ７９９９(２０１９)０１Ｇ００５８Ｇ０４一一一一D O I :１０．１３４７８/j ．c n k i ．j a s y
u ．２０１９．０１．０１０种子真空侵染法遗传转化体系的建立与优化
杨丽萍,一王一悦,一孟大伟,一吴艳菊,一金太成?
(吉林师范大学生命科学学院,吉林四平１３６０００
)摘要:针对植物遗传转化体系中周期长二表达效率低等的局限性,在拟南芥中建立并优化了一种新的遗传转
化体系,称为发芽种子真空侵染法.以发芽种子作为真空侵染的材料,在拟南芥中成功地表达了βＧ
葡萄糖苷酸酶(β
ＧG l u c u r o n i d a s e ,G U S ),并对影响基因表达的侵染条件进行了优化.结果表明:当农杆菌细胞浓度(O D ６００)为１．２,真空泵的压强为０．０７M P a 时,植物中G U S 基因的表达效率更高.R T ＧP C R 检测结果表明,利用这种体系在紫花苜蓿(M e d i c a g
o s a t i v a L ．)中有效表达了外源基因G U S .这种体系具有快速和高效的优势,为农杆菌介导的植物遗传转化体系提供了新的途径.
关键词:发芽种子真空侵染;稳定转化体系;β
Ｇ葡萄糖苷酸酶;拟南芥中图分类号:S ６５２一一一文献标识码:A 一一一E s t a b l i s h m e n t a n do p t i m i z a t i o no f g e n e t i c t r a n s f o r m a t i o n s y
s t e mf o r g e r m i n a t e d Ｇs e e d v a c u u mi n f e c t i o n Y A N GL i p i n g ,一WA N G Y u e ,一M E N G D a w e i ,一WU Y a n j u ,一J I N T a i c h e n g
?(K e y L a b o r a t o r y f o rP l a n tR e s o u r c e sS c i e n c e a n dG r e e nP r o d u c t i o n ,S i p i n g J i l i n １３６０００,C h i n a )A b s t r a c t :D u e t o t h e l i m i t a t i o no f l o n g t i m e a n d l o we x p r e s s i o ne f f i c i e n c y f o r g e n e t i c t r a n s f o r m a t i o ns y s Ｇt e m s i n p l a n t s ,an e wt r a n s f o r m a t i o ns y s t e m w a sc o n s t r u c t e d i n A r a b i d o p s i s p l a n t s ,n a m e d g e r m i n a t e d Ｇs e e dv a c u u mi n o c u l a t i o n ．T h e g e r m i n a t e d Ｇs e e d sb y v a c u u mi n f i l t r a t e dw i t hA g r o b a c t e r i u ma s t h em a t e r i Ｇa l s ,βＧG l u c u r o n i d a s e (G U S )g e n ew a ss u c c e s s f u l l y e x p r e s s e di n A r a b i d o p s i s p l a n t s ,a n dt h e i n f i l t r a t i o n c o n d i t i o n s i n f l u e n c i n gg e n e e x p r e s s i o nw a s o p t i m i z e d ．T h e r e s u l t s s h o w e d t h a t t h e e f f i c i e n c y o f G U S g e n e e x p r e s s i o nw a s h i g h e r i n t h e p l a n t sw h e nA g r o b a c t e r i u mc e l l c o n c e n t r a t i o n a n d t h e p r e s s u r e i n t h e v a c u u m b u m p w a s １．２a n d ０．０７,r e s p e c t i v e l y ．R T ＧP C Rd e t e c t i o ns h o w e d t h a t t h e G U S w a s e f f e c t i v e l y e x p
r e s s e d i n M e d i c a g o s a t i v a w i t h t h i s g e r m i n a t e d Ｇs e e dv a c u u mi n o c u l a t i o ns y s t e m．T h e s y s t e m h a da d v a n t a g e so f f a s t a n dh i g h Ｇe f f i c i e n t ,a n d p r o v i d e d an e w w a y f o r t h e s t a b l e t r a n s f o r m a t i o n s y s t e m s i n p l a n t s ．K e y w o r d s :G e r m i n a t e d Ｇs e e d s v a c u u mi n f i l t r a t i o n ;s t a b l e t r a n s f o r m a t i o n s y s t e m ;β
ＧG l u c u r o n i d a s e ;A r a b i d o p s i s 一一植物的稳定遗传转化方法已经被广泛的应用于
植物品种的改良,其中,最常用的２种方法是农杆菌介导法和基因枪法.基因枪法导入的外源基因存在拷贝数较多及遗传不稳定等缺点,大多数植物的遗
遗传算法与组合优化.
第四章 遗传算法与组合优化 4.1 背包问题（knapsack problem ） 4.1.1 问题描述 0/1背包问题：给出几个尺寸为S 1，S 2，…，S n 的物体和容量为C 的背包，此处S 1，S 2，…，S n 和C 都是正整数；要求找出n 个物件的一个子集使其尽可能多地填满容量为C 的背包。 数学形式： 最大化 ∑=n i i i X S 1 满足 ,1C X S n i i i ≤∑= n i X i ≤≤∈1},1,0{ 广义背包问题：输入由C 和两个向量C ＝(S 1，S 2，…，S n )和P ＝(P 1，P 2，…，P n )组成。设X 为一整数集合，即X ＝1，2，3，…，n ，T 为X 的子集，则问题就是找出满足约束条件∑∈≤T i i C X ，而使∑∈T i i P 获得最大的子集T ，即求S i 和P i 的下标子集。 在应用问题中，设S 的元素是n 项经营活动各自所需的资源消耗，C 是所能提供的资源总量，P 的元素是人们从每项经营活动中得到的利润或收益，则背包问题就是在资源有限的条件下，追求总的最大收益的资源有效分配问题。 广义背包问题可以数学形式更精确地描述如下： 最大化 ∑=n i i i X P 1 满足 ,1C X S n i i i ≤∑= n i X i ≤≤∈1},1,0{ 背包问题在计算理论中属于NP —完全问题，其计算复杂度为O (2n )，若允许物件可以部分地装入背包，即允许X ，可取从0.00到1.00闭区间上的实数，则背包问题就简化为极简单的P 类问题，此时计算复杂度为O (n )。
4.1.2 遗传编码 采用下标子集T 的二进制编码方案是常用的遗传编码方法。串T 的长度等于n(问题规模)，T i (1≤i ≤n )＝1表示该物件装入背包，T i ＝0表示不装入背包。基于背包问题有近似求解知识，以及考虑到遗传算法的特点（适合短定义距的、低阶的、高适应度的模式构成的积木块结构类问题），通常将P i ，S i 按P i /S i 值的大小依次排列，即P 1/S 1≥P 2/S 2≥…≥P n /S n 。 4.1.3 适应度函数 在上述编码情况下，背包问题的目标函数和约束条件可表示如下。 目标函数：∑==n i i i P T T J 1 )( 约束条件：C S T n i i i ≤∑=1 按照利用惩罚函数处理约束条件的方法，我们可构造背包问题的适应度函数f (T )如下式： f (T ) = J (T ) + g (T ) 式中g (T )为对T 超越约束条件的惩罚函数，惩罚函数可构造如下: 式中E m 为P i /S (1≤i ≤n )i 的最大值，β为合适的惩罚系数。 4.2 货郎担问题（Traveling Salesman Problem ——TSP ） 在遗传其法研究中，TSP 问题已被广泛地用于评价不同的遗传操作及选择机制的性能。之所以如此，主要有以下几个方面的原因： (1) TSP 问题是一个典型的、易于描述却难以处理的NP 完全（NP-complete ）问题。有效地 解决TSP 问题在可计算理论上有着重要的理论价值。 (2) TSP 问题是诸多领域内出现的多种复杂问题的集中概括和简化形式。因此，快速、有效 地解决TSP 问题有着极高的实际应用价值。 (3) TSP 问题因其典型性已成为各种启发式的搜索、优化算法的间接比较标准，而遗传算法 就其本质来说，主要是处理复杂问题的一种鲁棒性强的启发式随机搜索算法。因此遗传算法在TSP 问题求解方面的应用研究，对于构造合适的遗传算法框架、建立有效的遗传操作以及有效地解决TSP 问题等有着多方面的重要意义。
遗传算法优化相关MATLAB算法实现
遗传算法 1、案例背景 遗传算法（Genetic Algorithm，GA）是一种进化算法，其基本原理是仿效生物界中的“物竞天择、适者生存”的演化法则。遗传算法的做法是把问题参数编码为染色体，再利用迭代的方式进行选择、交叉以及变异等运算来交换种群中染色体的信息，最终生成符合优化目标的染色体。 在遗传算法中，染色体对应的是数据或数组，通常是由一维的串结构数据来表示，串上各个位置对应基因的取值。基因组成的串就是染色体，或者叫基因型个体( Individuals) 。一定数量的个体组成了群体（Population)。群体中个体的数目称为群体大小（Population Size），也叫群体规模。而各个个体对环境的适应程度叫做适应度( Fitness) 。 2、遗传算法中常用函数 1)创建种群函数—crtbp 2)适应度计算函数—ranking 3)选择函数—select 4)交叉算子函数—recombin 5)变异算子函数—mut 6)选择函数—reins 7)实用函数—bs2rv 8)实用函数—rep 3、主程序： 1. 简单一元函数优化： clc clear all close all %% 画出函数图 figure(1); hold on; lb=1;ub=2; %函数自变量范围【1,2】 ezplot('sin(10*pi*X)/X',[lb,ub]); %画出函数曲线 xlabel('自变量/X') ylabel('函数值/Y') %% 定义遗传算法参数 NIND=40; %个体数目 MAXGEN=20; %最大遗传代数 PRECI=20; %变量的二进制位数 GGAP=0.95; %代沟 px=0.7; %交叉概率 pm=0.01; %变异概率
MATLAB实验遗传算法和优化设计
实验六 遗传算法与优化设计 一、实验目的 1. 了解遗传算法的基本原理和基本操作（选择、交叉、变异）； 2. 学习使用Matlab 中的遗传算法工具箱(gatool)来解决优化设计问题； 二、实验原理及遗传算法工具箱介绍 1. 一个优化设计例子 图1所示是用于传输微波信号的微带线(电极)的横截面结构示意图，上下两根黑条分别代表上电极和下电极，一般下电极接地，上电极接输入信号，电极之间是介质(如空气，陶瓷等)。微带电极的结构参数如图所示，W 、t 分别是上电极的宽度和厚度，D 是上下电极间距。当微波信号在微带线中传输时，由于趋肤效应，微带线中的电流集中在电极的表面，会产生较大的欧姆损耗。根据微带传输线理论，高频工作状态下（假定信号频率1GHz ），电极的欧姆损耗可以写成（简单起见，不考虑电极厚度造成电极宽度的增加）： 图1 微带线横截面结构以及场分布示意图 {} 28.6821ln 5020.942ln 20.942S W R W D D D t D W D D W W t D W W D e D D παπππ=+++-+++?????? ? ??? ??????????? ??????? (1) 其中πρμ0=S R 为金属的表面电阻率， ρ为电阻率。可见电极的结构参数影响着电极损耗，通过合理设计这些参数可以使电极的欧姆损耗做到最小，这就是所谓的最优化问题或者称为规划设计问题。此处设计变量有3个：W 、D 、t ，它们组成决策向量[W, D ,t ] T ，待优化函数(,,)W D t α称为目标函数。 上述优化设计问题可以抽象为数学描述： ()()min .. 0,1,2,...,j f X s t g X j p ????≤=? (2)
基于遗传算法的多式联运组合优化
第四章基于遗传算法的集装箱多式联运运输组合优化模型 的求解 4.1 遗传算法简介 4.1.1 遗传算法 遗传算法(Genetic Algorithm,GA)是在20世纪六七十年代由美国密歇根大学的Holland J.H.教授及其学生和同事在研究人工自适应系统中发展起来的一种随机搜索方法,通过进一步的研究逐渐形成了一个完整的理论和方法体系取名为基本遗传算法(Simple Genetic Algorithm)。在接下来几年的研究过程中Holland在研究自然和人工系统的自适应行为的过程中采用了这个算法，并在他的著作《自然系统和人工系统的适配》中对基本遗传算法的理论和方法进行了系统的阐述与描写，同时提出了在遗传算法的理论研究和发展中具有极为重要的作用的模式理论，它的编码技术和遗传操作成为了遗传算法被广泛并成功的应用的基础，经过许多学者多年来的研究，遗传算法逐渐成熟起来，到现在已经成为了一个非常大的体系，广泛的应用于组合优化、系统优化、过程控制、经济预测、模式识别以及智能控制等多个领域。De Jong于1975年在他的博士论文中设计了一系列针对于各种函数优化问题的遗传算法的执行策略，详细分析了各项性能的评价指标。在此基础上，美国伊利诺大学的Goldberg于1989年系统全面的阐述了遗传算法理论，并通过例证对遗传算法的多领域应用进行了分析，为现代遗传算法的研究和发展奠定了基础。 遗传算法是一种模仿基于自然选择的生物进化过程的随机方法，它以类似于基因的编码作为种群的个体，首先，随机的产生初始种群的个体，从这个群体开始进行搜索，根据类似于生物适应能力的适应度函数值的大小，按照不同问题各自的特点，在当前的种群中运用适当的选择策略选择适应能力大的个体，其中所选择出来的个体经过遗传操作、交叉操作以及变异操作产生下一代种群个体。如此反复，像生物的进化过程一样逐代进化，直到满足期望的终止条件为止。
玉米遗传转化体系的优化及HrpZ基因转化玉米的研究
玉米遗传转化体系的优化及HrpZ基因转化玉米的研究 HrpZ基因是一种来源于植物病原菌丁香假单胞菌(Pseudomonas syringae) 的蛋白激发因子,它能引起非寄主植物的过敏性反应(hypersensitive response, HR),表现为受侵染组织的快速、局部的萎缩和死亡,这就限制了病原菌进一步扩散的可能性。HR反应后,植物体内出现了一系列的防反应,如强化结构屏障作用,合成裂解酶或者产生植物抗毒素,具体表现在能够防止病菌二次或继发性侵染。 这种非局部化、长期的诱导保护作其抗菌谱很广,极类似于“系统获得性抗性”(systematic acquired resistnace SAR)。玉米(Zea may L.)是世界上重要的粮食、饲料作物,也是现代食品工业、医药工业和化学工业的重要原料。 产量居农作物之首,也是重要的遗传模式植物。长期以来,玉米优良基因型高效再生体系的建立一直是人们研究的热点。 我国是世界上仅次于美国的第二大玉米生产国,玉米生产在国民经济中占有非常重要的地位。然而,生产上玉米病害一直是影响玉米产量的重要限制因素, 传统的常规育种由于抗源的缺乏和不同物种间的遗传隔离,使抗病育种工作受到了极大的限制。 利用基因工程技术进行玉米遗传改良,增强玉米抗病虫和耐逆境能力,提高 产量,改善品质,是玉米遗传育种的一个新方向。因此,玉米的基础研究和遗传改良具有重大的理论和现实意义。 为进一步筛选和建立优良玉米自交系的再生和遗传转化体系,本文分别以玉米幼胚,成熟胚,茎尖,根尖及幼叶为外植体进行愈伤诱导,较系统地研究了常规 优良自交系的愈伤组织形成及分化再生的影响因素、农杆菌介导遗传转化体系,并对转化株进行了PCR检测,获得了如下主要结果：1.选用了生产上广泛应用的
遗传算法与优化问题(重要,有代码)
实验十遗传算法与优化问题 一、问题背景与实验目的 遗传算法（Genetic Algorithm—GA），是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由美国Michigan大学的J.Holland教授于1975年首先提出的．遗传算法作为一种新的全局优化搜索算法，以其简单通用、鲁棒性强、适于并行处理及应用范围广等显著特点，奠定了它作为21世纪关键智能计算之一的地位． 本实验将首先介绍一下遗传算法的基本理论，然后用其解决几个简单的函数最值问题，使读者能够学会利用遗传算法进行初步的优化计算．1．遗传算法的基本原理 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．值得注意的一点是，现在的遗传算法是受生物进化论学说的启发提出的，这种学说对我们用计算机解决复杂问题很有用，而它本身是否完全正确并不重要（目前生物界对此学说尚有争议）． （1）遗传算法中的生物遗传学概念 由于遗传算法是由进化论和遗传学机理而产生的直接搜索优化方法；故而在这个算法中要用到各种进化和遗传学的概念． 首先给出遗传学概念、遗传算法概念和相应的数学概念三者之间的对应关系．这些概念如下： 序号遗传学概念遗传算法概念数学概念 1 个体要处理的基本对象、结构也就是可行解 2 群体个体的集合被选定的一组可行解 3 染色体个体的表现形式可行解的编码 4 基因染色体中的元素编码中的元素 5 基因位某一基因在染色体中的位置元素在编码中的位置 6 适应值个体对于环境的适应程度， 或在环境压力下的生存能力可行解所对应的适应函数值 7 种群被选定的一组染色体或个体根据入选概率定出的一组 可行解 8 选择从群体中选择优胜的个体， 淘汰劣质个体的操作保留或复制适应值大的可行解，去掉小的可行解 9 交叉一组染色体上对应基因段的 交换根据交叉原则产生的一组新解 10 交叉概率染色体对应基因段交换的概 率（可能性大小）闭区间[0,1]上的一个值，一般为0.65~0.90 11 变异染色体水平上基因变化编码的某些元素被改变
马铃薯遗传转化方法
农杆菌介导的马铃薯遗传转化体系 Steve Millam 摘要：马铃薯是一种全球性的重要农作物，其块茎作为营养丰富的食物，产量很高。马铃薯之所以成为大量研究的焦点，是因为它既作为一种主要粮食作物，又能作为所关注的化合物的潜在重要来源。转基因技术的发展和应用已经用于马铃薯上，并以此来引进基础且实用的新奇目标特征。本文描述了一个快速、高效和低成本的马铃薯遗传转化系统，与平常的转化相比，其转化效率可超过40%。基于核酸印迹法的平均值计算，证实了每个外植体切片在转基因上的独立性。将节间切片与农杆菌一起培养，然后在卡那霉素的筛选下，经历一个双阶段的愈伤组织诱导/出芽系统。用这种描述的方法可以获得很高的幼芽再生率，而且经过2次继代培养后，离体茎段从伤口末端生根，保证有95%的外植体被转化。这种转基因状态可以通过分子分析来证实。马铃薯的块茎生长也促使了大范围的进一步的研究。 1．介绍 马铃薯是最早用于遗传转化的植物之一。Ooms等人在1986年用农杆菌浸染马铃薯Desiree品种的组织并使组织再生，这成为马铃薯转化的直接证据。转基因品种Desiree和Bintje所用的农杆菌由Stiekma等人提供。de Block报道了一种以叶圆片作为靶组织，且与基因型无关的转基因方法。Visser等人以茎段和叶片为外植体，提出了包括再生和转化在内的两步法，并作为目前众多已使用的实验方案的基础。各种马铃薯组织相对容易的根系再生也支持了这些已经报道的马铃薯遗传转化系统。 目前许多正在使用的实验方案都报道了一个两步再生法，及先进行愈伤组织诱导，再进行根系再生。在愈伤组织诱导阶段通常会尽可能避免马铃薯体细胞突变。第一步通常是加入1-5mg/L的玉米素（zeatin）或者玉米素核苷（zeatin riboside），并结合低浓度的生长素（通常是的萘乙酸（NAA）或者吲哚乙酸（IAA））,以此促进外植体产生愈伤组织。第二步，将玉米素浓度降低20%，将生长素浓度降低10倍，同时加入赤霉素来刺激根系再生。每个外植体的再生速率都很高，经过4-6周可生出第一批根，培养10-12周后可每个外植体都会长出至少10条根。以卡那霉素（kanamycin）或者潮霉素（hygromycin）作为筛选标记可以很容易地用肉眼进行分析，然后切除可能与转化无关的根。那些含有抗生素抗性基因的苗将会很明显从茎的切口处长出根，而那些非转基因的苗将不会生根或者从不定位点生根。使用不同的栽培品种或者组织，其转化效率也不同。但是根据重复实验的记录显示，从最初的外植体到确定的转基因单株的比率在40%到100%之间。
4遗传算法与函数优化
第四章遗传算法与函数优化 4.1 研究函数优化的必要性： 首先，对很多实际问题进行数学建模后，可将其抽象为一个数值函数的优化问题。由于问题种类的繁多，影响因素的复杂，这些数学函数会呈现出不同的数学特征。除了在函数是连续、可求导、低阶的简单情况下可解析地求出其最优解外，大部分情况下需要通过数值计算的方法来进行近似优化计算。 其次，如何评价一个遗传算法的性能优劣程度一直是一个比较难的问题。这主要是因为现实问题种类繁多，影响因素复杂，若对各种情况都加以考虑进行试算，其计算工作量势必太大。由于纯数值函数优化问题不包含有某一具体应用领域中的专门知识，它们便于不同应用领域中的研究人员能够进行相互理解和相互交流，并且能够较好地反映算法本身所具有的本质特征和实际应用能力。所以人们专门设计了一些具有复杂数学特征的纯数学函数，通过遗传算法对这些函数的优化计算情况来测试各种遗传算法的性能。 4.2 评价遗传算法性能的常用测试函数 在设计用于评价遗传算法性能的测试函数时，必须考虑实际应用问题的数学模型中所可能呈现出的各种数学特性，以及可能遇到的各种情况和影响因素。这里所说的数学特性主要包括： ●连续函数或离散函数； ●凹函数或凸函数； ●二次函数或非二次函数； ●低维函数或高维函数； ●确定性函数或随机性函数； ●单峰值函数或多峰值函数，等等。 下面是一些在评价遗传算法性能时经常用到的测试函数： (1)De Jong函数F1： 这是一个简单的平方和函数，只有一个极小点f1(0, 0, 0)＝0。
(2)De Jong 函数F2： 这是一个二维函数，它具有一个全局极小点f 2(1，1) = 0。该函数虽然是单峰值的函数，但它却是病态的，难以进行全局极小化。 (3)De Jong 函数F3： 这是一个不连续函数，对于]0.5,12.5[--∈i x 区域内的每一个点，它都取全局极小值 30),,,,(543213-=x x x x x f 。
基于遗传算法的库位优化问题
Logistics Sci-Tech 2010.5 收稿日期：2010－02－07 作者简介：周兴建（1979-），男，湖北黄冈人，武汉科技学院经济管理学院，讲师，武汉理工大学交通学院博士研究生，研究方向：物流价值链、物流系统规划；刘元奇（1988-），男，甘肃天水人，武汉科技学院经济管理学院；李泉（1989-），男，湖北 武汉人，武汉科技学院经济管理学院。 文章编号：1002-3100(2010)05-0038-03 物流科技2010年第5期Logistics Sci-Tech No.5,2010 摘 要：应用遗传算法对邯运集团仓库库位进行优化。在充分考虑邯运集团仓库所存放的货物种类、货物数量、出入库频 率等因素的基础上进行库位预分区规划，建立了二次指派问题的数学模型。利用遗传算法对其求解，结合MATLAB 进行编程计算并得出最优划分方案。 关键词：遗传算法；预分区规划；库位优化中图分类号：F253.4 文献标识码：A Abstract:The paper optimize the storage position in warehouse of Hanyun Group based on genetic algorithm.With thinking of the factors such as goods categories,quantities and frequencies of I/O,etc,firstly,the storage district is planned.Then the model of quadratic assignment problems is build,and genetic algorithm is utilized to resolve the problem.The software MATLAB is used to program and figure out the best alternatives. Key words:genetic algorithm;district planning;storage position optimization 1 库位优化的提出 邯郸交通运输集团有限公司（简称“邯运集团”）是一家集多种业务为一体的大型综合性物流企业。邯运集团的主要业务板块有原料采购（天信运业及天昊、天诚、天恒等）、快递服务（飞马快运）、汽贸业务（天诚汽贸）及仓储配送（河北快运）等。其中，邯运集团的仓储配送业务由河北快运经营，现有仓库面积总共40000㎡，主要的业务范围为医药、日用百货、卷烟、陶瓷、化工产品的配送，其中以医药为主。邯运集团库存货物主要涉及两个方面：一个是大宗的供应商货物，如医药，化工产品等；另一方面主要是大规模的小件快递货物，如日用百货等[1]。经分析，邯运集团在仓储运作方面存在如下问题： （1）存储货物繁多而分拣速度低下。仓库每天到货近400箱，有近200多种规格，缺乏一套行之有效的仓储管理系统。（2）货架高度不当而货位分配混乱。现在采用的货架高度在2米以上，而且将整箱货物直接码垛在货架上，不严格按货位摆放。当需要往货架最上层码放货物需要借助梯子，增加操作难度且操作效率较低。货物在拣货区货架摆放是以件为单位的，分拣和搬运速度较慢。 （3）拣货货架设计不当而仓储效率低下。发货前装箱工作主要由人工协同完成，出库效率低，出错率难以控制。 （4）存储能力和分拣能力不能满足需求。根据邯运集团的业务发展现状及趋势，现有的仓库储存和分拣能力远远达不到集团公司对配送业务量的需求。 当前邯运集团的货位分配主要采用物理地址编码的方式，很少考虑货位分配对仓储管理员工作效率的影响。对其进行库位优化设计不仅直接影响到其库存量的大小、出入库的效率，还间接影响到邯运集团的整体经营效益。本文对邯运集团的仓库货位进行优化时，结合考虑仓库所存放的货物种类、货物数量、出入库频率等因素，对仓库货位进行规划，以提高仓储效率。 2库位预分区规划 在进行仓库货位规划时，作如下假设： （1）货物的存放种类已知； （2）货物每种类的单位时间内存放的数量己知； （3） 每一种货物的存取频率已知。 在仓库货位优化中一个重要的环节即预分区。所谓预分区，是指没有存放货物时的分区，分区时只考虑仓储作业人员的速基于遗传算法的库位优化问题 Optimization of Storage Position in Warehouse Based on Genetic Algorithm 周兴建1,2，刘元奇1，李泉1 ZHOU Xing-jian 1,2,LIU Yuan-qi 1,LI Quan 1 （1.武汉科技学院经济管理学院，湖北武汉430073；2.武汉理工大学交通学院，湖北武汉430063） (1.College of Economics &Management,Wuhan University of Science &Engineering,Wuhan 430073,China; 2.School of Transportation,Wuhan University of Technology,Wuhan 430063,China) !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 38
各种优化算法求解函数优化问题
各种优化算法求解函数优化问题 1.遗传算法的简单介绍及流程 1.1遗传算法的基本原理 遗传算法 ( Genetic Algorithm ,简称 GA) 是近年来迅速发展起来的一种全新的随机搜索优化算法。与传统搜索算法不同 ,遗传算法从一组随机产生的初始解 (称为群体 )开始搜索。群体中的每个个体是问题的一个解 ,称为染色体。这些染色体在后续迭代中不断进化 , 称为遗传。遗传算法主要通过交叉、变异、选择运算实现。交叉或变异运算生成下一代染色体,称为后 代。染色体的好坏用适应度来衡量。根据适应度的大小从上一代和后代中选择一定数量的个 体 ,作为下一代群体 ,再继续进化 ,这样经过若干代之后 ,算法收敛于最好的染色体 ,它很可能就是问题的最优解或次优解。遗传算法中使用适应度这个概念来度量群体中的各个个体在优化计算中有可能达到最优解的优良程度。度量个体适应度的函数称为适应度函数。适应度函数的定义一般与具体求解问题有关。 1.2遗传算法的流程 第一步：确定决策变量及各种约束条件，即确定出个体的表现型X和问题的解空间； 第二步：确定出目标函数的类型，即求目标函数的最大值还是最小值，以及其数学描述形式或量化方法，建立其优化模型； 第三步：确定表示可行解的染色体编码方法，即确定出个体的基因型X和遗传算法的搜 索空间。 第四步：确定解码方法，即确定出个体的基因型 X和个体的表现型 X的对应关系或转换方法； 第五步：确定个体时候适应度的量化评价方法，即确定出由目标函数 f(X) 值到个体适应度F(X) 的转换规则； 第六步：设计遗传算子，即确定出选择运算、交叉运算、变异运算等遗传算子的具体操作方法； 第七步：确定出遗传算法的运行参数，即确定出遗传算法的M、 T、 Pc、 Pm等参数。1.3 遗传算法求解函数优化问题中的参数分析 目前，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范 例。对于函数优化中求解实数型变量的问题，一般采用动态编码和实数编码的方法来提高其搜
水稻遗传转化体系Protocol
水稻遗传转化体系Protocol Introduction 1．水稻的遗传转化研究历史与现状 20 世纪80年代末, 水稻的遗传转化首获成功。1988 年, 3 个不同的研究小组以水稻原生质体为受体,采用“电击法”或“PEG 介导法”等方法将外源 3]。1991 年, 基因枪转化的方法在水稻中基因导入到水稻中并获得再生植株[1 ~ 获得成功[4],随后成为水稻遗传转化的常用方法之一。1993 年，Chan 等人[5]首先采用农杆菌介导的方法获得了转基因水稻。Hiei 等人[6]以水稻成熟种子诱导的愈伤为受体, 建立了农杆菌介导的粳稻高效转化体系, 使得农杆菌介导法逐渐成为了水稻转化最常用的方法。此后, 粳稻的转化方法被进一步优化, 使粳稻的遗传转化周期大幅缩短[7]。虽然Hiei等[6]建立的农杆菌介导的转化体系使得粳稻的转化不再困难, 但是许多籼稻的转化依然存在障碍, 主要是转化效率低下。因此, 一些研究者对籼稻的转化体系进行了一些优化, 使得籼稻的转化效率得到了一定的提高[8,9]。最近, Hiei 和Komari[10]发表了一个粳稻和籼稻均适用的农杆菌高效转化的方法.根据他们的结果, 采用幼胚作为外植体, 籼 13 个稻的转化可以在两个半月内完成，且转化效率非常高(一个幼胚可以得到5 ~ 独立的转化植株)。 2. 转基因技术在水稻上的研究与应用[11] a. 转基因抗虫水稻 对于水稻最主要的害虫——螟虫(二化螟、三化螟、稻纵卷叶螟等)在水稻中尚未发现有效的抗性种质资源. 目前,最有希望和前途的方法就是利用转基因技术把外源抗虫基因引入水稻中创造出新的抗虫品种。虽然水稻中已经发现和鉴定了19 个抗褐飞虱的基因[12], 但是由于褐飞虱有多个生物型且易产生变异, 抗性品种往往推广数年后就会失去抗性。 b. 转基因抗病水稻 见抗水稻病毒研究 c. 转基因抗旱水稻 d. 转基因营养高效利用水稻
基于遗传算法和神经网络算法的吊车结构优化设计与实现
·制造业信息化· 图1吊车结构系统有限元模型 Fig.1The finite element model of a fixed crane Based on Genetic Algorithms and Artificial Neural Network Algorithms to Optimize the Structure Design and Implementation of Crane XUE Jia-Hai ，YU Xiao-Mo ，QING Ai-Ling ，ZHOU Wen-Jing ，YE Jun-Ke （College of Mechanical Engineering,Guangxi University,Nanning Guangxi 530004,China ） Abstract:This paper by using the finite element method,orthogonal test method,BP neural network and genetic algorithm to optimization of crane structure system.At last ，the neural network model will be optimized through the generic algorithm and the optimal parameters of the structure dynamic behavior will be obtained ． Key words ：finite element ；orthogonal experimental method ；BP-neural network ；genetic algorithm 0引言 随着吊车向大型化方向发展，结构在动载荷作用下的振动问题变得日益突出。因此，进行基于动态特性的优化设计，使产品在设计阶段就可以预测其动态特性，可有效减小系统的振动，提高整机工作性能。结构动力学建模方法主要有有限元法、试验模态法、混合建模法及基于人工神经网络的建模方法。基于人工神经网络的动态优化设计建模方法，是利用多层人工神经网络极强的非线性映射功能，来描述和处理动态系统中设计变量及其动态参数之间的关系。人工神经网络模型一旦建立，可取代有限元模型进行结构动态特性重分析，其分 析过程简单而直接，且远比有限元模型计算速度快，尤其适用于工程技术人员使用。由于吊车结构系统的动态特性很难用设计变量显式表达，因此用遗传算法对建立的神经网络模型寻优，计算出可行区域内动态特性最优时的设计变量及目标值。 1吊车结构系统动态特性分析 图1所示为某厂生产的固定式吊车的有限元模型。主要参数为：塔身高48．5m ，起重臂长70m ，最大起重力矩4400kN ·m 。吊车结构的弦杆、腹杆、钢丝绳及集中质量分别以空间梁单元、杆单元、弹簧单元及质量单元模拟。表1所示 为按最大起重力矩工况计算的系统前8阶固有频率。修稿日期：2012－12－21 作者简介：薛加海（1986-），男，云南彝族人，在读硕士研究生。主要研究方向：制造业管理信息化研究；于晓默（1982-），男，蒙古族人，在读博士研究生。主要研究方向：制造业管理信息化研究。 摘要：论文综合利用BP 神经网络、遗传算法有限元法以及正交试验法对吊车结构系统进行优化研究。利 用遗传算法和BP 神经网络建立复杂结构系统动态优化的计算模型，该模型可代替系统原来的有限元模型。首先对吊车起重机结构系统进行模态分析及谐响应动力学分析，找出对结构动态特性影响最大的模态频率，再利用灵敏度分析，确定对动态特性较敏感的设计变量作为神经网络的输入变量，并利用正交试验法确定神经网络训练样本，用有限元模型计算出样本点数据，建立反映结构振动特性的人工神经网络模型，最后利用遗传算法对所建立的神经网络模型寻优，得到使结构动态性能最优的设计参数。 关键词：有限元法；正交试验法；BP 神经网络；遗传算法中图分类号：TP18 文献标识码：A doi:10.3969/j.issn.1002-6673.2013.01.037 文章编号：1002－6673（2013）01－093－03 基于遗传算法和神经网络算法的吊车结构优化设计与实现 薛加海，于晓默，秦爱玲，周文景，叶俊科 （广西大学机械工程学院，广西南宁530004） 机电产品开发与创新 Development ＆Innovation of M achinery ＆E lectrical P roducts Vol．26,No．1Jan ．,2013第26卷第1期2013年1月 93
遗传算法及其在TSP问题中的应用
遗传算法及其在TSP问题中的应用 摘要：本文首先介绍了遗传算法的基本理论与方法，从应用的角度对遗传算法做了认真的分析和研究，总结了用遗传算法提出求解组合优化问题中的典型问题——TSP问题的最优近似解的算法。其次，本文在深入分析和研究了遗传算法基本理论与方法的基础上，针对旅行商问题的具体问题，设计了基于TSP的遗传算法的选择、交叉和变异算子等遗传算子，提出了求解旅行商问题的一种遗传算法，并用Matlab语言编程实现其算法，最后绘出算法的仿真结果，并对不同结果作出相应的分析。然后，本文还针对遗传算法求解TSP时存在的一些问题对该算法进行了适当的改进。如针对初始群体、遗传算子作出适当改进，或者将遗传算法与其他方法相结合，以及在编程过程中对算法流程的改进。本人在用计算机模拟遗传算法求解TSP问题时，首先分析了用Matlab语言设计遗传算法程序的优越性，接着以遗传算法求解TSP问题为例，深入讨论了各个遗传算子的程序实现，并通过分析实验数据，得到各个遗传算子在搜索寻优过程中所起的作用，最后指出了用Matlab语言编程同用其它高级程序语言编程的差异所在，以及运用Matlab编写遗传算法程序的一些注意事项。最后，本文提出将遗传算法与其它算法相结合来求解一般问题的想法；并将遗传算法的应用范围扩展，提出可以运用遗传算法求解由TSP衍生出的各类TSP扩展问题，如求解配送/收集旅行商问题的遗传算法（TSPD）、遗传算法在货物配送问题中的应用（ST－TSP）、多旅行商问题（MTSP）等。 引言：优化问题可以自然地分为两类：一类是连续变量的优化问题；另一类是离散变量的优化问题，即所谓组合优化问题。对于连续变量的优化问题，一般是求一组实数或一个函数；而在组合优化问题中，一般是从一个无限集或有限的几个无限集中寻找一个对象——它可以是一个整数，一个集合，一个排列或者一个图，也即是从可行解中求出最优解的问题。TSP问题就是其中的典型例子，就本质上而言它可抽象为数学上的组合优化，它描述的是旅行商经N个城市的最短路径问题，因而对TSP问题的求解是数学上，同时也是优化问题中普遍关注的。旅行商问题（Traveling Salesman Problem，简称TSP）也称为货担郎问题，是一个较古的问题，最早可以追溯到1759年Euler提出的骑士旅行问题[9]。旅行商问题可以解释为，一位推销员从自己所在城市出发，必须邀访所有城市且每个城市只能访问一次之后又返回到原来的城市，求使其旅行费用最小（和旅行距离最短）的路径。 TSP是一个典型的组合优化问题，并且是一个NP难题，所以一般很难精确地求出其最优解，因而寻找出其有效的近似求解算法就具有重要的理论意义。另一方面，很多实际应用问题，如公安执勤人员的最优巡回路线、流水作业生产线的顺序问题、车辆调度问题、网络问题、切割问题以至机组人员的轮班安排、教师任课班级负荷分配等问题，经过简化处理后，都可建模为TSP问题，因而对旅行商问题求解方法的研究也具有重要的应用价值。再者，在各种遗传算法应用实例中，其个体编码方法大多都是采用二进制编码方法或浮点数编码方法，而TSP问题是一种典型的需要使用符号编码方法的实际问题，所以，研究求解TSP问题的遗传算法，对促进遗传算法本身的发展也具有重要意义。在过去的20年里，在求解旅行商问题的最优解方面取得了极大的进展。尽管有这些成就，但旅行商问题还远未解决，问题的许多方面还要研究，很多问题还在期待满意的回答。 另外，遗传算法就其本质来说，主要是解决复杂问题的一种鲁棒性强的启发式随机
目的基因的遗传转化
实验十目的基因的遗传转化 一、目的基因的表达载体构建 1. 实验目的 本实验以强化植物基因工程平台技能训练为目的，涵盖PCR分离克隆全长目的基因、Gateway 技术构建目的基因的表达载体、农杆菌介导目的基因的转化、转基因植株的驯化和移栽等系列实验。此外，还就如何利用新型的反向遗传学技术RNAi（RNA interfere，RNA 干涉）进行基因功能研究进行试验指导。为从事相关领域的科学研究奠定基础。 通过本实验，要求学生理解和掌握Gateway 技术构建目的基因的表达载体的基本原理和具体实验步骤。 2. 实验原理 利用高保真聚合酶，采用PCR方法在克隆基因两侧引入attB重组位点，然后将含有attB 位点的PCR产物与含有attp位点和Gateway BP Clonase混合，之后转化E. coli。在两对att 位点之间的位点特异性重组过程中产生一个融合载体，融合载体随即分解成两个分子，重组位点在结构上重新分配，目标基因进入新的载体骨架，通过筛选阳性克隆，获得此重组产物，称为“entry克隆”。在得到的entry克隆中目标基因位于att重组位点之间。将此重组产物与选定的Gateway载体和Gateway LR Clonase酶混合，在entry克隆中的attL位点间的序列取代表达（目标）载体的attR位点之间的序列即目标基因进入表达载体，形成表达（目标）克隆（图）。 Gateway技术构建植物表达载体原理 3. 仪器设备 微量取液器、制冰机、微型离心机、PCR仪、凝胶成像系统、毛细管自动测序仪、电子天平、高速冷冻离心机、振荡器、恒温金属浴、干燥箱、紫外分光光度计、电泳仪、-80 ℃冰箱、-20 ℃冰箱等。 4. 实验试剂 克隆全长基因，pDONR TM221 载体（Invitrogen，12535-019），目标载体（购自Invitrogen，
基于BP神经网络和遗传算法的结构优化设计
收稿日期:2002-11-13;修订日期:2003-02-12 作者简介:郭海丁(1958-) 男 山东潍坊人 南京航空航天大学能源与动力学院副教授 博士 主要从事工程结构强度~断裂~疲 劳损伤及结构优化设计方法等研究. 第18卷第2期2003年4月 航空动力学报 Journal of Aerospace Power Vol.18No.2 E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E Apr.2003 文章编号:1000-8055(2003)02-0216-05 基于BP 神经网络和遗传算法 的结构优化设计 郭海丁1 路志峰2 (1.南京航空航天大学能源与动力学院 江苏南京210016; 2.北京运载火箭技术研究院 北京100076) 摘要:现代航空发动机不断追求提高推重比 优化其零部件的结构设计日益重要 传统结构优化方法耗时多且不易掌握 针对这一问题 本文提出了将BP 神经网络和遗传算法相结合用于结构优化设计的方法 并编制了相应的计算程序 实现了一个含9个设计变量的发动机盘模型的结构优化计算 计算证明 与传统结构优化方法相比 此方法计算速度快~精度良好 关 键 词:航空~航天推进系统;结构优化;神经网络;遗传算法;航空发动机 中图分类号:V 231 文献标识码:A Structure Design Optimization Based on BP -Neural Networks and Genetic Algorithms GUO -ai -ding 1 LU Zhi -feng 2 (1.Nanjing University of Aeronautics and Astronautics Nanjing 210016 China ; 2.Beijing institute of Astronautics Beijing 100076 China ) Abstract :Owing to the increasing demand for raising the thrust -weight ratio of modern aero -engine it is very important to optimize the structures of the components .Traditional optimization methods of structure design are time -consuming and hard to be put into practice .So in this paper a new method of structure design optimization is induced to which both BP neural networks and genetic algorithms (in short :BPN -GA )are applied .A program which contains 9variables is designed for the structure optimization of a disk model with the BPN -GA method which proves that it has better calculating rate and precision than those with traditional optimization methods . Key words :aerospace propulsion ;structure optimization ;neural network ; genetic algorithms ;aero -engine 1 引言 在航空~航天等领域 结构优化设计技术正在得到越来越广泛的应用 结构优化设计逐步进入工程实用阶段!1"3# 但从工程应用角度来看 结构优化设计方法的推广仍存不少障碍 主要表现为: (1)优化中靠经验调整的参数较多 掌握困难;(2)优化计算效率较低 应用现有的结构优化算法进
遗传算法多目标函数优化
多目标遗传算法优化 铣削正交试验结果 说明： 1.建立切削力和表面粗糙度模型 如： 3.190.08360.8250.5640.45410c e p z F v f a a -=（1） a R =此模型你们来拟合（上面有实验数据，剩下的两个方程已经是我帮你们拟合好的了）（2） R a =10?0.92146v c 0.14365f z 0.16065a e 0.047691a p 0.38457 10002/c z p e Q v f a a D π=-????（3） 变量约束范围：401000.020.080.25 1.0210c z e p v f a a ≤≤??≤≤??≤≤? ?≤≤? 公式（1）和（2）值越小越好，公式（3）值越大越好。π=3.14 D=8 2.请将多目标优化操作过程录像（同时考虑三个方程，优化出最优的自变量数值），方便我后续进行修改；将能保存的所有图片及源文件发给我；将最优解多组发给我，类似于下图（黄色部分为达到的要求）
遗传算法的结果:
程序如下: clear; clc; % 遗传算法直接求解多目标优化 D=8; % Function handle to the fitness function F=@(X)[10^(3.19)*(X(1).^(-0.0836)).*(X(2).^0.825).*(X(3).^0.564).*(X(4).^0. 454)]; Ra=@(X)[10^(-0.92146)*(X(1).^0.14365).*(X(2).^0.16065).*(X(3).^0.047691).*( X(4).^0.38457)]; Q=@(X)[-1000*2*X(1).*X(2).*X(3).*X(4)/(pi*D)];