光遗传技术在精神疾病研究中的应用_张艳

光纤通信技术的发展历史

论文题目：光纤通信技术发展历史姓名：谢新云学号：0932002231 专业班级：通信技术（2）院系：电子通信工程学院指导老师：彭霞完成时间：2011年10月22日

概论目前，在实际运用中相当有前途的一种通信技术之一，即光纤通信技术已成为现代化通信非常重要的支柱。作为全球新一代信息技术革命的重要标志之一，光纤通信技术已经变为当今信息社会中各种多样且复杂的信息的主要传输媒介，并深刻的、广泛的改变了信息网架构的整体面貌，以现代信息社会最坚实的通信基础的身份，向世人展现了其无限美好的发展前景。自上世纪光纤通信技术在全球问世以来，整个的信息通讯领域发生了本质的、革命性的变革，光纤通信技术以光波作为信息传输的载体，以光纤硬件作为信息传输媒介，因为信息传输频带比较宽，所以它的主要特点是:通信达到了高速率和大容量，且损耗低、体积小、重量轻，还有抗电磁干扰和不易串音等一系列优点，从而备受通信领域专业人士青睐，发展也异常迅猛。光纤通信不仅可以应用在通信的主干线路中，也可以在电力通信控制系统中发挥作用，进行工业监测、控制，现在在军事上也被广泛应用，基于各领域对信息量的需求不断增长，光纤通信技术的应用发展趋势也备受关注。一条完整的光纤链路除受光纤本身质量影响外，还取决于光纤链路现场的施工工艺和环境。本文针对光纤通信技术的发展及趋势展开研究，分别介绍了光纤通信技术的发展历史和现状，以及光纤通信技术的发展趋势，对一些先进的光纤通信技术进行了介绍。关键字：光纤通信技术，发展历史，现状，发展趋势

目录概论 (1) 目录 (2) 第一章光纤通信技术的形成 (3) 1.1早期的光通信 (3) 1.2 现在光纤通信技术的形成 (3) 1.2.1 光纤通信器件的发展 (3) 1.2.2 光纤 (5) 第二章光纤通信技术的现状 (8) 2.1 光纤光缆 (8) 2.2 光电子器件 (8) 2.3光纤通信系统 (14) 第三章我国光纤通信技术的发展 (15) 参考文献 (16)

遗传算法的研究及应用毕业设计

毕业设计遗传算法的研究及应用摘要本文分为三部分：第一部分：遗传算法的概述。主要介绍了遗传算法的基本思想、遗传算法的构成要素、遗传算法的特点、遗传算法的基本模型、遗传算法的应用情况及今后的研究方向等等的内容。第二部分：基于Matlab 7.0下的遗传算法求解函数最值问题。遗传算法作为一种新的优化方法，广泛地用于计算科学、模式识别和智能故障诊断等方面，它适用于解决复杂的非线性和多维空间寻优问题，近年来也得到了较为广阔的应用。本人选择了函数优化这个应用领域，按照遗传算法的步骤，即编码、解码、计算适应度（函数值）、选择复制运算、交叉运算和变异运算，对函数进行求解最值。第三部分：对遗传算法求函数最值问题的改进。这部分主要针对本文第二部分进行改进，通过改变基本遗传算法运行参数值，如改变交叉概率Pc值和变异概率Pm值，从而使最优值更加接近相对标准下函数的最值。关键词：遗传算法适应度交叉概率变异概率

目录 1 前言 (1) 2 遗传算法概述 (1) 2.1生物进化理论和遗传学的基本知识 (1) 2.2遗传算法的基本思想 (3) 2.3遗传算法的构成要素 (3) 2.3.1 染色体编码方法 (3) 2.3.2 适应度函数 (4) 2.3.3 遗传算子 (4) 2.3.4 基本遗传算法运行参数 (5) 2.4遗传算法的特点 (6) 2.5遗传算法的基本模型 (7) 2.6遗传算法的应用 (8) 2.7遗传算法今后的研究方向 (10) 3 基于MATLAB 7.0下的遗传算法求解函数最值问题 (11) 3.1遗传算法的标准函数 (11) 3.2解题步骤说明 (12) 3.2.1 编码问题 (12) 3.2.2 选择运算 (12) 3.2.3 交叉运算 (13) 3.2.4 变异运算 (13) 3.3运行参数说明 (14) 3.4对遗传算法求得的最值的分析 (14) 3.5运行程序以及对其解释 (14) 3.6从数学的角度求解函数最优值 (18) 3.6.1 自变量x以0.2为步进单位 (18) 3.6.2 自变量x以0.1为步进单位 (19) 3.6.3 自变量x以更精确的数为步进单位 (21)

大学课件--遗传算法应用的分析与研究-

遗传算法应用的分析与研究福州八中钱自强【摘要】随着科技水平的不断发展，人们在生产生活中遇到的问题也日益复杂，这些问题常常需要在庞大的搜索空间内寻找最优解或近似解，应用传统算法求解已经显得相当困难。而近年来，生物学的进化论被广泛地应用于工程技术、人工智能等领域中，形成的一类有效的随机搜索算法——进化算法，有效的解决了诸多生产生活中的难题而显得越来越流行。本文的首先将介绍进化算法的原理以及历史使大家对进化算法有一个初步的了解，其次将详细介绍应用遗传算法解题的步骤，并提出有效改进和应用建议。紧接着通过一个NP难题的优化实例让大家对遗传算法有更深刻的了解，最后通过数据分析证明其方法的有效性。【关键词】人工智能；进化算法；遗传算法（GA）；多目标最小生成树目录一、进化算法理论 1．1进化算法概述－ 2－ 1．2遗传算法介绍－ 2－二、遗传算法 2．1遗传算法基本流程－ 3－ 2．2遗传算法中各重要因素分析－ 3－ 2．3重要参数设置－ 6－三、遗传算法在多目标最小生成树问题中的应用 3．1多目标最小生成树－ 7－ 3．2应用遗传算法解决多目标最小生成树－ 9－ 3．3测试－11－四、结束语－15－附录－16－

一. 进化算法理论 1．1进化算法概述从远古时代单细胞开始，历经环境变迁的磨难，生命经历从低级到高级，从简单到复杂的演化历程。生命不断地繁衍生息，产生出具有思维和智能的高级生命体。人类得到生命的最佳结构与形式，它不仅可以被动地适应环境，更重要的是它能够通过学习，模仿与创造，不断提高自己适应环境的能力。进化算法就是借鉴生物自然选择和遗传机制的随机搜索算法。进化算法通过模拟“优胜劣汰，适者生存”的规律激励好的结构，通过模拟孟德尔的遗传变异理论在迭代过程中保持已有的结构，同时寻找更好的结构。作为随机优化与搜索算法，进化算法具有如下特点：进化算法不是盲目式的乱搜索，也不是穷举式的全面搜索，它根据个体生存环境即目标函数来进行有指导的搜索。进化算法只需利用目标的取值信息而不需要其他信息，因而适用于大规模、高度非线性的不连续、多峰函数的优化，具有很强的通用性；算法的操作对象是一组个体，而非单个个体，具有多条搜索轨迹。 1．2遗传算法遗传算法（Genetic Algorithm）是进化算法的一个重要分支。它由John Holland提出，最初用于研究自然系统的适应过程和设计具有自适应性能的软件。近来，遗传算法作为问题求解和最优化的有效工具，已被非常成功地应用与解决许多最优化问题并越来越流行。遗传算法的主要特点是群体搜索策略和群体中个体之间的信息互换,它实际上是模拟由个体组成的群体的整体学习过程,其中每个个体表示问题搜索空间中的一个解点.遗传算法从任一初始的群体出发,通过随机选择，交叉和变异等遗传操作,使群体一代代地进化到搜索空间中越来越好的区域,直至抵达最优解点. 遗传算法和其它的搜索方法相比,其优越性主要表现在以下几个方面：首先,遗传算法在搜索过程中不易陷入局部最优,即使在所定义的适应度函数非连续.不规则也能以极大的概率找到全局最优解,其次,由于遗传算法固有的并行性,使得它非常适合于大规模并行分布处理,此外,遗传算法易于和别的技术(如神经网络.模糊推理.混沌行为和人工生命等)相结合,形成性能更优的问题求解方法.

光通信中的重要技术及发展趋势

光通信中的重要技术及发展趋势 [摘要] 随着信息化社会的到来,通信技术也得到了日新月异的发展。在过去的几年中,人们对传输速率的要求越来越高,使用高速率数据传输的用户数量每年都在递增,而光通信技术在过去几年中也有了长足的发展,光纤通信凭借其传输高速率的数据,成为广域通信网的骨干网络,如今在广域通信网中绝大部分是通过光纤传输的。本文主要讨论在光通信中的主要技术以及未来光通信的几个发展趋势。 [关键词] 光通信光接入光交换全光网无线光通信随着用户对接入带宽要求的日益增加以及三网融合后对数字高清信号的传送,对运营商接入侧及骨干核心传输有了更高的要求,而光通信在其中起了举足轻重的作用,光通信技术的发展决定了电信业的未来方向,近几年,不论在接入层以及核心层,光通信技术都有了长足的发展。 1.在接入层: 1.1无源光网络(PON) 无源光网络主要用于解决宽带最终用户接入终端局的问题,由于这种接入技术使得接入网的局端(OLT)与用户(ONU)之间只需光纤、光分路器等光无源器件,不需租用机房和配备电源,因此被称为无源光网络。无源光网络以其容量大、传输距离长、较低成本、全业务支持等优势成为热门技术。目前已经逐步商用化的无源光网络主要有TDM-PON(APON、EPON、GPON)和WDM-PON。无论是核心网、传输网还是接入网,其发展的首要因素就是业务,是终端用户的需求。从业务发展现状来看,高带宽的消耗业务逐步涌现,带宽提速成为迫切需求,而PON以其容量大、传输距离长、较低成本、全业务支持等优势成为宽带接入的热点,它在提供业务组合的同时,实现了高可靠性和高性能,已经成为了下一代光接入网的发展方向。 1.2无线光通信技术从光纤骨干网到用户之间的”最后一英里”,如果铺设光缆,不仅花费大而且耗时;许多无线通信技术可以解决”最后一英里”的问题,但是这些技术需要向无线电管理委员会申请频率执照,不仅要使用户支付大量的频率占用费,而且申请也要花费数月的时间。无线光通信因为无需频率申请,机型小方便架设,能够简单的解决最后一英里的问题,为宽带接入的快速部署提供一种灵活的解决方案。无线光通信系统是以大气作为传输媒质来进行光信号的传送的。只要在收发两个端机之间存在无遮挡的视距路径和足够的光发射功率,就可以进行通信。一个无线光通信系统包括三个基本部分:发射机、信道和接收机。在点对点传输的

遗传算法的研究及应用

龙源期刊网 https://www.360docs.net/doc/9e6462917.html, 遗传算法的研究及应用作者：彭志勇邓世权来源：《计算机光盘软件与应用》2013年第07期摘要：遗传算法是一种典型的优化搜索算法，它的构造是使用人工的方式，并对生物遗传学和自然选择机理来进行模仿，是一种典型的数学仿真，而这种数学仿真是通过生物进化的过程来进行的，它是进化计算的一种非常重要的形式，它可以应用与生活中的很多领域。关键词：遗传算法；函数优化；生产调度；自动控制中图分类号：TP183文献标识码：A文章编号：1007-9599 (2013) 07-0000-02 遗传算法是一种典型的优化搜索算法，它的构造是使用人工的方式，并对生物遗传学和自然选择机理来进行模仿，是一种典型的数学仿真，而这种数学仿真是通过生物进化的过程来进行的，它是进化计算的一种非常重要的形式。与传统的数学模型进行比较，遗传算法有很多的不同的地方，因为它能够解决很多复杂的问题，而传统的数学模型却没办法做到。 1遗传算法的理论研究 1.1遗传算法的由来。美国密西根大学的霍兰德（Holland）将该算法应用于自然和人工系统的自适应行为的研究之中，并且在二十世纪七十年代中期，出版他的第一部著作《自然与人工系统中的适应》。随后，Holland与他的学生们将该算法进行了大力的推广，并把它应用到优化及机器学习等问题之中，而且正式定名为遗传算法。 1.2遗传算法的发展。遗传算法的兴起于20世纪70年代，而到了20世纪80年代的时候，它正好属于一个发展中的过程，到了20世纪90年代时，它已经发展到了颠疯时刻。为一种实用性较强而又很有效率的优化技术，遗传算法的发展还是非常迅速，在国内外已经造成了非常大的影响力。 1.3遗传算法的基本思想。遗传算法是从一个种群（population）开始的，而这个种群代表问题可能潜在解集的，一个种群是由经过基因（gene）编码（coding）的一定数目的个体（individual）所组成。染色体是遗传物质的主要载体，它是由多个基因的集合，其内部表现是某种基因组合决定的。自从初始种群产生以后，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解。在每一代，根据问题域中个体的适应度（fitness）大小来挑选（selection）个体，遗传算法是采纳了选择、交叉、变异、迁移、局域与邻域等自然进化模型，并借助于自然遗传学的遗传算子（genetic operators）进行组合交叉（crossover）和变异（mutation），从而产生出代表新的解集的种群。遗传算法和传统搜索算法有很大的不同，它是通过一组随机产生的初始解开始搜索过程。染色体是类似于二进制串的一串符号，对于染色体的测量，我们通常是用适应度来它的好坏

遗传算法

遗传算法的基本理论一、起源：早在20世纪50年代和60年代，就有少数人几个计算机科学家独立地进行了所谓的“人工进化系统”研究，其出发点是进化的思想可以发展成为许多工程问题的优化工具。早期的研究形成了遗传算法的雏形，如大多数系统都遵循“适者生存”的仿自然法则，有些系统采用了基于群体（population）的设计方案，并且加入了自然选择与变异操作，还有一些系统对生物染色体编码进行了抽象处理，应用二进制编码。由于缺乏一种通用的编码方案，人们只能依赖变异而非交叉来产生新的基因结构，早期的算法收敛甚微。20世纪60年代中期，美国Michigan大学的John Holland在A.S.Fraser和H.J.Bremermann等人工作的基础上提出了位串编码技术。这种编码既适用于变异操作，又适用于交叉（即杂交）操作。并且强调将交叉作为主要的遗传操作。随后，Holland将该算法用于自然和人工系统的自适应行为的研究中，并于1975年出版了其开创性著作“Adaption in Natural and Artificial System”。以后，Holland等人将该算法加以推广，应用到优化及机器学习等问题中，并正式定名为遗传算法。遗传算法的通用编码技术和简单有效的遗传操作作为其广泛、成功地应用奠定了基础。Holland早期有关遗传算法的许多概念一直沿用至今，可见Holland对遗传算法的贡献之大。他认为遗传算法本质上是适应算法，应用最多的是系统最优化的研究。二、发展：年份贡献者内容 1962Holland程序漫游元胞计算机自适应系统框架 1968Holland模式定理的建立 1971Hollstein具有交配和选择规则的二维函数优化 1972Bosworth、Foo、Zeigler提出具有复杂变异、类似于遗传算法的基因操作1972Frantz位置非线性和倒位操作研究 1973Holland遗传算法中试验的最优配置和双臂强盗问题 1973Martin类似遗传真法的概率算法理论 1975De Jong用于5个测试函数的研究基本遗传算法基准参数 1975Holland 出版了开创性著作《Adaptation in Natural and Artificial System》 1981Bethke应用Walsh函数分析模式 1981Brindle研究遗传算法中的选择和支配问题 1983Pettit、Swigger遗传算法应用于非稳定问题的粗略研究1983Wetzel用遗传算法解决旅行商问题(TSP) 1984Mauldin基本遗传算法小用启发知识维持遗传多样性1985Baker试验基于排序的选择方法 1985Booker建议采用部分匹配计分、分享操作和交配限制法1985Goldberg、Lingle TSP问题个采用部分匹配交叉 1985Grefenstette、Fitzpattrick对含噪声的函数进行测试 1985Schaffer多种群遗传算法解决多目标优化问题1986Goldberg最优种群大小估计 1986Grefenstette元级遗传算法控制的遗传算法 1987Baker选择中随机误差的减少方法 1987Goldberg复制和交叉时最小欺骗问题(MDP) 1987Goldberg、Richardson借助分享函数的小生境和物种归纳法

《光通信原理与技术》课程教学大纲(正式)

《光通信原理与技术》课程教学大纲课程中文名称：光通信原理与技术课程英文名称：Optical Communication Technology 课程编号：ZF17402 课程性质：专业方向课学时：（总学时54、理论课学时42、实验课学时12）学分：3 适用对象：电子科学与技术专业本科学生先修课程：电磁场与电磁波、通信原理等课程简介：随着网络化时代的到来，人们对信息的需求与日俱增。现代光通信原理在现代信息科学技术中更是占有举足轻重的作用。通过本课程的学习，使学生掌握和了解光纤通信的原理，系统组成，关键技术及新技术，实际应用的光纤通信系统，以及当前光纤通信领域的最新动态，为今后从事与之相关的工作打下基础。一、教学目标及任务光通信原理与技术是电子科学与技术本科专业学生专业课程模块中的一门核心课程，通过本课程的学习，学生将掌握光纤通信的基本原理和光纤数字通信系统的组成，了解光纤通信的未来与发展，为进一步学习现代光纤通信技术打下基础。本课程对培养学生综合应用以前所掌握的光学和通信系统基本知识、模拟和数字通信基本知识等有良好的促进作用。二、学时分配

三、教学内容及教学要求第一章光纤通信概论（4学时）教学要求： 1．了解光纤通信发展的历史； 2．理解光纤通信系统在当今通信领域的重要地位和作用及基本组成。教学重点与难点： 1．光纤通信发展的历史； 2．光纤通信系统的基本组成。教学内容：第一节光纤通信发展史 1．什么是光纤通信； 2．光纤通信中光的作用及特性； 3．光纤通信的优势；第二节光纤通信系统 1．光发射机； 2．光纤； 3．光接收机； 4．光放大器；本章习题要点：光纤通信系统就其基本组成而言有三部分：光发射机、光纤和光接收机，学生应掌握它们的概念和作用。作为光传输煤质的光纤，其衰减特性决定了它的工作波长以及光系统的作用距离，这种局限可由光放大器大大缓解。光纤的色散则限制了传输数据的速率。输入到光纤中光强的大小对光纤特性也有影响，这就是非线性效应。通信容量作为光纤通信系统的主要性能指标也应掌握。第二章光纤（8学时）教学要求： 1．了解光纤的种类及其不同的用途； 2．理解阶跃和梯度光纤的光线理论，了解用光线法分析多模光纤的传输原理； 3．理解单模光纤的波动理论。掌握用波动理论讨论单模光纤中的模式特性，光纤中模式的概念，光纤的单模条件； 4．掌握光纤的损耗及色散概念及特性； 5．了解光纤的带宽概念。教学重点与难点： 1．数值孔径、传播时延、时延差的概念及影响因素；； 2．光纤单模传输条件；

光通信的历史及其发展现状

光通信的历史、现状、发展趋势 06007235 方云龙光通信的历史：原始形式的光通信是通过中国古代的“烽火台”报警，欧洲人用旗语传送信息。1880年，美国人贝尔(Bell)发明了用光波作载波传送话音的“光电话”。贝尔光电话是现代光通信的雏型。 1960年，美国人梅曼(Maiman)发明了第一台红宝石激光器，给光通信带来了新的希望。激光器的发明和应用，使沉睡了80年的光通信进入一个崭新的阶段。 1966年，英籍华裔学者高锟(C.K.Kao)和霍克哈姆(C.A.Hockham)发表了关于传输介质新概念的论文，指出了利用光纤(Optical Fiber)进行信息传输的可能性和技术途径，奠定了现代光通信——光纤通信的基础。通过“原材料的提纯制造出适合于长距离通信使用的低损耗光纤”这一发展方向。 1970年，美国康宁(Corning)公司研制成功损耗20dB/km的石英光纤。把光纤通信的研究开发推向一个新阶段。 1973 年，美国贝尔(Bell)实验室的光纤损耗降低到2.5dB/km。1974 年降低到1.1dB/km。 1976 年，日本电报电话(NTT)公司将光纤损耗降低到0.47 dB/km(波长1.2μm)。在以后的10 年中，波长为1.55 μm的光纤损耗：1979 年是0.20 dB/km，1984年是0.157 dB/km，1986 年是0.154 dB/km，接近了光纤最低损耗的理论极限。 1970年，美国贝尔实验室、日本电气公司(NEC)和前苏联先后，研制成功室温下连续振荡的镓铝砷(GaAlAs)双异质结半导体激光器(短波长)。虽然寿命只有几个小时，但它为半导体激光器的发展奠定了基础。1977 年，贝尔实验室研制的半导体激光器寿命达到10万小时。1979年美国电报电话(AT&T)公司和日本电报电话公司研制成功发射波长为1.55 μm的连续振荡半导体激光器。 1976 年，美国在亚特兰大(Atlanta)进行了世界上第一个实用光纤通信系统的现场试验。1980 年，美国标准化FT - 3光纤通信系统投入商业应用。 1976 年和1978 年，日本先后进行了速率为34 Mb/s的突变型多模光纤通信系统，以及速率为100 Mb/s的渐变型多模光纤通信系统的试验。1983年敷设了纵贯日本南北的光缆长途干线。随后，由美、日、英、法发起的第一条横跨大西洋TAT-8海底光缆通信系统于1988年建成。第一条横跨太平洋TPC-3/HAW-4 海底光缆通信系统于1989年建成。从此，海底光缆通信系统的建设得到了全面展开，促进了全球通信网的发展。现状：目前国内光纤光缆的生产能力过剩，供大于求。特种光纤如FTTH（光纤到户）用光纤仍需进口，但总量不大，国内生产光纤光缆价格与国际市场没有差别，成本无法再降，已经是零利润，在国际市场没有太强竞争力，出口量很小。二十年来的光技术的两个主要发展，WDM（Wavelength Division Multiplexing：波分复用）和PON（Passive Optical Network：无源光纤网络），这两个已经相对比较成熟。今天，40Gbps的光通信系统得到广泛商用。作为新一代光网络的领军技术，40G商用大门的开启，满足日益增长的带宽需求同时，还为ROADM、先进光调制技术、超强EFC等新技术的应用赢得了市场发展空间，并为全光网的演进、升级创造了条件。不过，这只是40Gbps的一个开始，要承担起未来传输主力的重任，40G还需要很多路要走。现在对40Gbps，乃至更高速率的100Gbps而言，光学硬件的发展是关键，同时还必须与其他光通讯技术协同发展，包括复杂的调制技术、信号处理技术、并行接口、主动追踪和补偿技术，这些条件

遗传算法理论及其研究进展

遗传算法理论及其应用研究进展摘要：本文阐述了遗传算法的基本原理以及求解问题的一般过程，讨论了遗传算法存在的不足和针对其不足采取的弥补措施，概述了遗传算法常见的应用领域。最后，讨论了遗传算法的未来研究方向。关键词：遗传算法；算子；优化 Development on Genetic Algorithm Theory And Its Application Liu Jun (201320620181) (College of Mecha ni cal Engin eeri ng of Un iversity of South Chi na Hen gya ng Hunan 421001) Abstract: This paper stated the basic theory of Genetic Algorithm (GA) and the process of sol ving the problem, discussed the weak ness of gen etic algorithm and the impro ving measures about gen etic algorithm. Then summarized the com mon applicati on fields of gen etic algorithm. Fin ally, poin ted out the gen etic algorithm ' research direct ions in the future. Keywords: gen etic algorithm (GA); operator; optimizati on 遗传算法是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法。它来源于达尔文的进化论、魏茨曼的物种选择学说和孟德尔的群体遗传学说。遗传算法是模拟自然界生物进化过程与机制求解极值问题的一类自组织、自适应人工智能技术，其基本思想是模拟自然界遗传机制和生物进化论而形成的一种过程搜索最优解的算法，具有坚实的生物学基础；它提供从智能生成过程观点对生物智能的模拟，具有鲜明的认知学意义；它适合于无表达或有表达的任何类函数，具有可实现的并行计算行为；它能解决任何种类实际问题，具有广泛的应用价值。因此，遗传算法广泛应用于自动控制、计算科学、模式识别、工程设计、智能故障诊断、管理科学和社会科学等领域，适用于解决复杂的非线性和多维

遗传算法的应用研究_赵夫群

2016年第17期科技创新科技创新与应用遗传算法的应用研究赵夫群（咸阳师范学院，陕西咸阳712000） 1概述遗传算法（Genetic Algorithms，GA）一词源于人们对自然进化系统所进行的计算机仿生模拟研究，是以达尔文的“进化论”和孟德尔的“遗传学原理”为基础的，是最早开发出来的模拟遗传系统的算法模型。遗传算法最早是由Fraser提出来的，后来Holland对其进行了推广，故认为遗传算法的奠基人是Holland。随着遗传算法的不断完善和成熟，其应用范围也在不断扩大，应用领域非常广泛，主要包括工业控制、网络通讯、故障诊断、路径规划、最优控制等。近几年，出现了很多改进的遗传算法，改进方法主要包括：应用不同的交叉和变异算子；引入特殊算子；改进选择和复制方法等。但是，万变不离其宗，都是基于自然界生物进化，提出的这些改进方法。 2遗传算法的原理遗传算法是从某一个初始种群开始，首先计算个体的适应度，然后通过选择、交叉、变异等基本操作，产生新一代的种群，重复这个过程，直到得到满足条件的种群或达到迭代次数后终止。通过这个过程，后代种群会更加适应环境，而末代种群中的最优个体，在经过解码之后，就可以作为问题的近似最优解了。 2.1遗传算法的四个组成部分遗传算法主要由四个部分组成[1]：参数编码和初始群体、适应度函数、遗传操作和控制参数。编码方法中，最常用的是二进制编码，该方法操作简单、便于用模式定理分析。适应度函数是由目标函数变换而成的，主要用于评价个体适应环境的能力，是选择操作的依据。遗传操作主要包括了选择、交叉、变异等三种基本操作。控制参数主要有：串长Z，群体大小size，交叉概率Pc，变异概率Pm等。目前对遗传算法的研究主要集中在参数的调整中，很多文献建议的参数取值范围一般是：size取20~200之间，Pc取0.5~1.0之间，Pm取0~0.05之间。 2.2遗传算法的基本操作步骤遗传算法的基本操作步骤为：（1）首先，对种群进行初始化；（2）对种群里的每个个体计算其适应度值；（3）根据（2）计算的适应度，按照规则，选择进入下一代的个体；（4）根据交叉概率Pc，进行交叉操作；（5）以Pm为概率，进行变异操作；（6）判断是否满足停止条件，若没有，则转第（2）步，否则进入（7）；（7）得到适应度值最优的染色体，并将其作为问题的满意解或最优解输出。 3遗传算法的应用遗传算法的应用领域非常广泛，下面主要就遗传算法在优化问题、生产调度、自动控制、机器学习、图像处理、人工生命和数据挖掘等方面的应用进行介绍。 3.1优化问题优化问题包括函数优化和组合优化两种。很多情况下，组合优化的搜索空间受问题规模的制约，因此很难寻找满意解。但是，遗传算法对于组合优化中的NP完全问题非常有效。朱莹等[2]提出了一种结合启发式算法和遗传算法的混合遗传算法来解决杂货船装载的优化问题中。潘欣等[3]在化工多目标优化问题中应用了并行遗传算法，实验结果表明该方法效果良好。王大东等[4]将遗传算法应用到了清运车辆路径的优化问题求解中，而且仿真结果表明算法可行有效。 3.2生产调度在复杂生产调度方面，遗传算法也发挥了很大的作用。韦勇福等[5]将遗传算法应用到了车间生产调度系统的开发中，并建立了最小化完工时间目标模型，成功开发了车间生产调度系统模块，并用实例和仿真验证了该方法的可行性。张美凤等[6]将遗传算法和模拟退火算法相结合，提出了解决车间调度问题的混合遗传算法，并给出了一种编码方法以及建立了相应的解码规则。 3.3自动控制在自动控制领域中，遗传算法主要用于求解的大多也是与优化相关的问题。其应用主要分为为两类，即离线设计分析和在线自适应调节。GA可为传统的综合设计方法提供优化参数。 3.4机器学习目前，遗传算法已经在机器学习领域得到了较为广泛的应用。邢晓敏等[7]提出了将遗传算子与Michigan方法和基于Pitt法的两个机器学习方法相结合的机器学习方法。蒋培等[8]提出了一种基于共同进化遗传算法的机器学习方法，该方法克服了学习系统过分依赖于问题的背景知识的缺陷，使得学习者逐步探索新的知识。 3.5图像处理图像处理是一个重要的研究领域。在图像处理过程中产生的误差会影响图像的效果，因此我们要尽可能地减小误差。目前，遗传算法已经在图像增强、图像恢复、图像重建、图像分形压缩、图像分割、图像匹配等方面应用广泛，详见参考文献[9]。 4结束语遗传算法作为一种模拟自然演化的学习过程，原理简单，应用广泛，已经在许多领域解决了很多问题。但是，它在数学基础方面相对不够完善，还有待进一步研究和探讨。目前，针对遗传算法的众多缺点，也相继出现了许多改进的算法，并取得了一定的成果。可以预期，未来伴随着生物技术和计算机技术的进一步发展，遗传算法会在操作技术等方面更加有效，其发展前景一片光明。参考文献 [1]周明，孙树栋.遗传算法原理及应用[M].国防工业出版社，1999，6. [2]朱莹，向先波，杨运桃.基于混合遗传算法的杂货船装载优化问题[J].中国船舰研究，2015：10（6）：126-132. [3]潘欣，等.种群分布式并行遗传算法解化工多目标优化问题[J].化工进展，2015：34（5）：1236-1240. [4]王大东，刘竞遥，王洪军.遗传算法求解清运车辆路径优化问题[J].吉林师范大学学报（自然科学版），2015（3）：132-134. [5]韦勇福，曾盛绰.基于遗传算法的车间生产调度系统研究[J].装备制造技术，2014（11）：205-207. [6]黄巍，张美凤.基于混合遗传算法的车间生产调度问题研究[J].计算机仿真，2009，26（10）：307-310. [7]邢晓敏.基于遗传算法的机器学习方法赋值理论研究[J].软件导刊[J].2009，8（11）：80-81. [8]蒋培.基于共同进化遗传算法的机器学习[J].湖南师范大学自然科学学报，2004，27（3）：33-38. [9]田莹，苑玮琦.遗传算法在图像处理中的应用[J].中国图象图形学报，2007，12（3）：389-396. [10]周剑利，马壮，陈贵清.基于遗传算法的人工生命演示系统的研究与实现[J].制造业自动化，2009，31（9）：38-40. [11]刘晓莉，戎海武.基于遗传算法与神经网络混合算法的数据挖掘技术综述[J].软件导刊，2013，12（12）：129-130. 作者简介：赵夫群（1982，8-），女，汉族，籍贯：山东临沂，咸阳师范学院讲师，西北大学在读博士，工作单位：咸阳师范学院教育科学学院，研究方向：三维模型安全技术。摘要：遗传算法是一种非常重要的搜索算法，特别是在解决优化问题上，效果非常好。文章首先介绍了遗传算法的四个组成部分，以及算法的基本操作步骤，接着探讨了遗传算法的几个主要应用领域，包括优化、生产调度、机器学习、图像处理、人工生命和数据挖掘等。目前遗传算法以及在很多方面的应用中取得了较大的成功，但是它在数学基础方面相对还不够完善，因而需要进一步研究和完善。关键词：遗传算法；优化问题；数据挖掘 67 --

光纤通信原理与技术课程教学大纲

《光纤通信原理与技术》课程教学大纲英文名称：Fiber Communication Principle and its Application 学时：51 学分：3 开课学期：第7学期一、课程性质与任务通过讲授光纤通信技术的基础知识，使学生了解掌握光纤通信的基本特点，学习光纤通信系统的三个重要组成部分：光源（光发射机）、光纤（光缆）和光检测器（光接收机）。通过本课程的学习，学生将掌握光纤通信的基本原理、光纤通信系统的组成和系统设计的基本方法，了解光纤通信的未来与发展，为今后的工程应用和研究生阶段的学习打下基础。二、课程教学的基本要求要求通过课堂认真听讲和实验课，以及课下自学，基本掌握光纤通信的基础理论知识和应用概况，熟悉光纤通信在电信、通信中的应用，为今后的工作打下坚实的理论基础。三、课程内容第一章光通信发展史及其优点（1学时）第二章光纤的传输特性（2学时）第三章影响光纤传输特性的一些物理因素（5学时）第四章光纤通信系统和网络中的光无源器件（9学时）第五章光纤通信技术中的光有源器件（3学时）第六章光纤通信技术中使用的光放大器（4学时）第七章光纤传输系统（4学时）第八章光纤网络介绍（6学时）第九章光纤通信原理与技术实验（17课时）四、教学重点、难点本课程的教学重点是光电信息技术物理基础、电光信息转换、光电信息转换，光电信息技术应用，光电新产品开发举例。本课程的教学难点是光电信息技术物理基础。

五、教学时数分配教学时数51学时，其中理论讲授34学时，实践教学17学时。（教学时数具体见附表1和实践教学具体安排见附表2）六、教学方式理论授课以多媒体和模型教学为主，必要时开展演示性实验。七、本课程与其它课程的关系 1.本课程必要的先修课程《光学》、《电动力学》、《量子力学》等课程 2.本课程的后续课程《激光技术》和《光纤通信原理实验》以及就业实习。八、考核方式考核方式：考查具体有三种。根据大多数学生学习情况和学生兴趣而定其中一种。第一种是采用期末考试与平时成绩相结合的方式进行综合评定。对于理论和常识部分采用闭卷考试，期末考试成绩占总成绩的55％，实验成绩占总成绩的30%，作业成绩及平时考勤占总成绩的15％；第二种是采用课程设计（含市场调查报告）和平时成绩相结合的方式，课程设计占总成绩的55%，实验成绩占总成绩的30%，作业成绩及平时考勤占总成绩的15%。第三种是采用课程论文（含市场调查报告）和平时成绩相结合的方式，课程论文占总成绩的55%，实验成绩占总成绩的30%，作业成绩及平时考勤占总成绩的15%。九、教材及教学参考书 1.主教材《光纤通信原理与技术》，吴德明编著，科学出版社，第二版，2010年9月 2.参考书（1）《光纤通信原理与仿真》，郭建强、高晓蓉、王泽勇编著，西南交通大学出版社，第一版，2013年5月（2）《光通信原理与技术》，朱勇、王江平、卢麟，科学出版社，第二版，2011年8月

XXXX年光通信技术发展趋势和预测

我们对２011年光通信技术发展趋势和预测如下: ·光通讯行业更加精简，但是仍然期待着更完善的供应链那些在经济低迷前期和中期合并的网络设备制造商将在２011年发挥明显的优势,因为届时越来越少的大型企业能够独自赢得网络业务的大单。预计２01１年,阿尔卡特-朗讯和华为将角逐第一的位置，而Ｃｉｅｎa凭借对北电网络光纤业务的收购将加速缩小与前者之间的差距，紧随其后。预计201１年，网络设备制造商将控制其外包光元件供应商的数量，采取精简供应链的战略。因此,除非那些规模较小的元件供应商能提供独一无二且切合需求的产品,否则２０１１年对他们来说，将是比较困难的一年。此外,光产品供应商在201１年将继续面对供应链中需求波动的挑战。所有供应商都将逐步认识到缩短回收时间、提高预测的精确度和落实库存保有战略需求的重要性。因此,即使面对持续大幅度的增长需求,供应链的改善将使大部分主要产品的交付时间缩短至一到两周的时间。 ·感知型网络即将登场２0１1年将研发出能促进网络传输层向前演进的组件和系统。研发这些新型光产品的最终目的是为了创建感知型的网络，它们拥有

灵活的光子层，能够有意识、完全无缝地应对不断变化的流量情况、新型应用或者突发的带宽波动。目前行业里最热门的三大关键词——任何波长（ｃoｌｏrless)、任何方向（dｉrｅctionless)和任何竞争(cｏnｔeｎｔｉonless)——都是感知型网络的重要组成部分,它们所具备的特征赋予了任意类型的网络波长在任何方向都能达到任意目的地的能力。目前，业界正在研发复杂的光学转换器件,来构建网络和节点架构,进而实现自动端到端波长、转发器和路由的灵活转换。这些新组件和体系架构将建立在波长选择开关(ＷSS)的基础上并完善WＳS，成为灵活光网络的核心结构单元。此外，我们认为，功能集成式光电路板的受关注度将越来越高，因为它可以将更多的光功能和硬件集成到体积更小的产品中,而这一优势亦将促使网络设备生产商加速将其应用于各自的开发流程中。这种线路卡已被证明能通过子模块层面的集成提供显著的成本和密度优势。我们预计，有望在2013—２014年间，实现现有网络向包含以上光元件的感知型网络演进。 ·传输更快速、更灵活

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

基本遗传算法及应用举例

基本遗传算法及应用举例遗传算法(Genetic Algorithms)是一种借鉴生物界自然选择和自然遗传机制的随机、高度并行、自适应搜索算法。遗传算法是多学科相互结合与渗透的产物。目前它已发展成一种自组织、自适应的多学科技术。针对各种不同类型的问题，借鉴自然界中生物遗传与进化的机理，学者们设计了不同的编码方法来表示问题的可行解，开发出了许多不同环境下的生物遗传特征。这样由不同的编码方法和不同的遗传操作方法就构成了各种不同的遗传算法。但这些遗传算法有共同的特点，即通过对生物的遗传和进化过程中的选择、交叉、变异机理的模仿来完成对最优解的自适应搜索过程。基于此共同点，人们总结出了最基本的遗传算法——基本遗传算法。基本遗传算法只使用选择、交叉、变异三种基本遗传操作。遗传操作的过程也比较简单、容易理解。同时，基本遗传算法也是其他一些遗传算法的基础与雏形。 1．1．1 编码方法用遗传算法求解问题时，不是对所求解问题的实际决策变量直接进行操作，而是对表示可行解的个体编码的操作，不断搜索出适应度较高的个体，并在群体中增加其数量，最终寻找到问题的最优解或近似最优解。因此，必须建立问题的可行解的实际表示和遗传算法的染色体位串结构之间的联系。在遗传算法中，把一个问题的可行解从其解空间转换到遗传算法所能处理的搜索空间的转换方法称之为编码。反之，个体从搜索空间的基因型变换到解空间的表现型的方法称之为解码方法。编码是应用遗传算法是需要解决的首要问题，也是一个关键步骤。迄今为止人们已经设计出了许多种不同的编码方法。基本遗传算法使用的是二进制符号0和1所组成的二进制符号集｛0，1｝，也就是说，把问题空间的参数表示为基于字符集｛0，1｝构成的染色体位串。每个个体的染色体中所包含的数字的个数L 称为染色体的长度或称为符号串的长度。一般染色体的长度L 为一固定的数，如 X=1010100 表示一个个体，该个体的染色体长度L=20。二进制编码符号串的长度与问题所要求的求解精度有关。假设某一参数的取值范围是[a ，b]，我们用长度为L 的二进制编码符号串来表示该参数，总共能产生L 2种不同的编码，若参数与编码的对应关系为 00000000000……00000000=0 →a 00000000000……00000001=1 →a+δ ? ? ? ……=L 2-1→b 则二进制编码的编码精度1 2--= L a b δ 假设某一个个体的编码是kl k k k a a a x 21=，则对应的解码公式为 )2(121 ∑=---+=L j j L kj L k a a b a x 例如，对于x ∈[0,1023],若用长度为10的二进制编码来表示该参数的话，则下述符号串：