对遗传学的认识与理解范例(3篇)

对遗传学的认识与理解范文

对适应性进化的解释主要有两种，分别基于拉马克学说和达尔文学说。前者认为后天获得的适应性可以遗传，这就是说获得性适应可以改变个体的生殖遗传基因；后者认为获得性适应不能改变个体的生殖遗传基因，但它在一个群体中具有遗传优势，不适应或适应较差的个体特征由于生存能力和遗传上的劣势而在后代中逐步退化或消失。我们可以看出拉马克主义的解释是很直观的，但却要在遗传基因水平上的获得证据。而达尔文主义对物种适应性进化的解释似乎是针对群体中个体之间作用的结果，似乎所有适应性进化都可归结到自然(性)选择之中。这种选择的结果是再直观不过的了，即使没有什么文化的农民也能明白，没有分子遗传学的证据也不会有谁会怀疑它。由于早期达尔文学说无法很好地解释许多生命进化的具体特征，所以很多人仍然乐于接受拉马克的学说。

现代分子遗传学理论和实验的产生和发展似乎完全否定了拉马克的学说，为了圆满达尔文的学说对其进行了新的补充和解释，建立了现代达尔文主义。

生命个体在对环境适应过程中会使自身局部的姿势、动作等物理状态和化学成分发生变化或称为生理变化，即刺激－反应过程。如果同一过程重复多次，生命个体的这种变化就会发生适应性固化。例如动物经常跑动腿部肌肉就会发达。鹿群没有天敌时体质会弱化，如果它们周围有狼，鹿群的体质会明显提高。经常吸烟者的身体存在对尼古丁的适应，经常饮酒者的身体会产生更强的分解酒精能力。

另外一种适应是心理－生理适应，谁都不会否认心理作用会影响生理状态。例如人第一次和对象约会时心会跳动得很利害。人的所有情感都是心理－生理适应和动态平衡的产物。我认为这种适应过程的反复多次也同样会在生理水平上被固化。例如鸟经常受到恐吓会变得敏感(体内某些化学成分发生变化)。长期担任领导职务的人变得爱打官腔，脾气变大(体内某些激素水平变化)。还有条件反射现象。

我的结论是：任何生命个体对环境适应的固化在本质上都是自身生化(包括局部的)平衡的移动。注意：所谓固化是一种获得性的相对稳定状态，并不是永久性的。

我相信人们不难接受这个结论。由此，我会问一个问题：一个生命个体向下遗传的基因(区别由父母赋予的基因)是否与个体本身的生理状态有关？或者说动物体内制造精子或卵子过程中，DNA的形成是否与“环境”有关？如果人们认为某些药物会影响遗传基因的形成(不仅影响受精过程和怀孕过程)，那为什么不能承认获得性适应固化产生的体内生化变化会影响遗传基因的形成呢？而且这个影响时间是比较长的和稳定的。我设想，为避免有害变异，供生殖遗传的DNA密码“制造机”通常是“记录”身体较稳定的状态。否定我的这个观点除非证明药物不会影响个体生殖遗传基因的形成过程。事物的变化既有内因又有外因，内因是变化的依据，外因是变化的条件。

生命个体的适应性不仅是自身生理上的，它也应该包括自身遗传方面的适应性变化。否则的话，生命就不是完美的，难道一个生命连自己的生殖遗传基因都不能有一点点“优化”吗？我们无法理解生命个体的生存需要对环境适应，而它的生殖遗传基因不需要对“环境”适应。难道生命个体的遗传基因对后代的“责任”只限于自然(性)选择吗？

很多人认为"环境"条件引起基因突变，但没有方向性。这种说法是令人难以接受的。我举一些物理现象作例子，一杯水中的分子运动是无序的或随机的，如果我们加热杯底部或者向其中滴入一滴墨水，水分子的运动就会发生有序性变化。我们再把这个杯子用薄膜分开两部分，先在一部分放盐水，然后在另一部分放入酒精。盐水中的分子运动和排列也会发生有序性变化。又例，雪花的形状与形成条件有很大的关系。这些例子与基因变异方式也许大相径庭，但足以说明在绝大多数条件下，事物的变化是有序的，何况生命是自组织系统。按照混沌理论，系统形成的初始条件的细微差异对其演化过程和结局有极大的影响。

下一个问题是证据。目前分子遗传学尚不能证明我的假设，这并不表明它不成立。因为获得性适应遗传的显现是极其漫长的(排除性选择因素)。这种情况意味着获得性适应对基因变化的影响在短期内很难测出，特别是在技术上难以排除性选择和基因漂移的干扰。

我发现中国城市的麻雀是怕人的，而欧洲的麻雀不怕人。我在瑞士期间经常把面包渣放在手上喂麻雀。我曾想如果把中国麻雀和欧洲麻雀刚刚生下的雏雀放在一起喂养，查看它们惧怕人的行为和适应是否有差别，就会证明获得性适应是否可以遗传。但又一想，如果雏雀与它们的父母隔离能否活下来？又如果实验否定了我的假设，我还可以辩解说中国麻雀怕人的时间还不够长或者欧洲麻雀不怕人的历史太短。即使实验证明它们惧怕人的行为和适应存在差别，有些人仍会用达尔文的观点解释它，不过到那时来反驳用达尔文观点的解释就容易得多了。

其实，我本人丝毫不否认达尔文的学说的伟大意义。我只认为否定获得性适应的遗传是过于武断。拉马克和达尔文的基本原理解释的是不同现象，用拉马克学说解释某些获得性适应的进化，用达尔文学说解释自然选择，它们不是不共戴天的，是可以结合的。生物的进化是两种作用的共同结果(尽管这样讲不很严密)，虽然性选择结果的显现较快且作用强大使其容易被证明，但仍有许多地方难以把两者的作用完全分开。例如对人的右手臂力量较大(左撇子除外)的解释。

把“用进废退”作为进化的思想之所以被否定是因为这种说法过于简单、不准确，但是不能因此否定获得性适应的遗传。人们都不怀疑本能是遗传的，但是对本能如何进入到遗传基因里去的尚无满意的解释。

人和动物都有本能，所谓本能就是先天具有的能力，因此本能完全是由遗传决定的。本能属于无意识或潜意识范围。以人为例，人的意识可以转化为无意识，这是大脑高效率工作所必须的。人脑的一个显著特性就是“不愿”有意识地做重复的事情。重复性的工作自然而然地转由无意识支配。大脑可以多任务工作，自动过滤感受到的信息，人的行为在注意力之外完全是受无意识支配的。我认为无意识支配的行为重复达到一定的频率和次数就会转化为人的“本能”。我把这种所谓“本能”称之为后天或获得性本能。对这个过程的简单理解可以看作“有意－习惯－自然－本能”。这种“本能”可以遗传给人的后代，使其后代具有先天本能。这种获得性遗传的显现是较为漫长的，而且需要每一代人几乎都要无意识地强化这种后天“本能”。人类群体的某种长期稳定的生活方式或行为就属于这种不断强化的过程。遗传显现的漫长可以保证遗传基因的稳定和防止有害的变异。如果读者清楚集体无意识的概念，就更容易理解我的观点了。

我认为我的这个解释较好地把拉马克、达尔文和现代分子遗传学的矛盾化解了。割老鼠尾巴的试验并不能使老鼠产生放弃尾巴的无意识并使其向后天“本能”转化，所以它们遗传基因的尾巴部分不会有任何改变。注意：无意识是指非意识支配的行为。机械切除不能产生消除或缩短尾巴的无意识行为。如果本能的某个部分(指与本能行为相关的身体和生理状态)不再强化或不经常被无意识调用，它就会退化。这也是生命保护自身遗传基因的一种功能。例如有些动物天生惧怕其他某些动物(猴子天生怕蛇)用我的观点就容易解释。我在这里一再提及无意识，是为了强调生命个体任何有意识的行为和结果都不属于获得性适应。有意识的行为直接结果可以是获得性的，但不属于获得性适应。获得性适应一定是无意识行为的结果。获得性性状不一定是为了适应，这也是为什么我不愿在我的文中使用"性状"这个词。转贴于

生命进化达到高级阶段的标志是产生的大脑，遗传基因是通过对大脑的作用来影响动物的行为，或者说大脑是遗传基因与动物性状和行为的中介。"包括人类在内的一切动物的行为、情绪变化其实都是体内各种化学反应的结果。"而这些行为和情绪变化都来自大脑的支配。大脑(神经网络)是唯一调节体内的各种化学平衡的司令部。大脑的负反馈功能完全有可能影响生命个体遗传基因。

大脑产生了意识和学习能力，这使得我们很难辨别动物的哪些具体行为和"性格"是来自先天还是后天。特别是后天的经历会抑制和改变本能的表现形式。

我对这个问题的解释完全是巧合，它是我探讨人类智能和人工智能的附产品，而且早在这场讨论之前我就提到了(98年8月份)。今天看来它恰巧支持了“长时间地看，变异是定向的”拉马克主义，但又与达尔文主义不冲突。

我认为进化论决不是生物学一家的任务，它与哲学、心理学、物理学、系统论、控制论等许多学科都密切相关。换个角度看这个问题也许会更明晰。

另外，我看到的辩论文章提到分子生物学对获得性性状遗传的否定都来自对细菌、病毒等微生物的试验结果。除了割老鼠尾巴的试验外，不知是否有其他对高级进化生命(例如有大脑的动物)的基因的试验证据？微生物与动物的繁衍方式是不同的。

获得性适应与智能、记忆原理、意识的产生等都密切相关。这方面的任何进展或突破都会给我们的世界带来巨大的影响。

对遗传学的认识与理解范文

由于遗传学在生命科学中具有不可替代的重要作用，其教学方法、教学模式的探索和研究近些年倍受关注。近年来,研究性教学在各高等院校不断地被提出，黑龙江八一农垦大学生命科学学院也把研究性教学改革不断地深入到各学科教学中去。作为遗传学教师,笔者在教学过程中不断地进行着研究性教学的实践和思考。

研究性教学是在‘‘发现学习模式”和瑞士皮亚杰的“认知发展学说”的理论基础上发展起来的，其认为学生学习的过程与科学家研究的过程在本质上是一致的，强调将教学与研究结合作为大学教学的基本思想，注重提高学生发现问题、分析问题和解决问题的能力，对培养创新型人才非常重要。研究性教学模式的核心理念是以实践中的真实问题为基础,将学生置于真实的情境中学习，培养学生的学习能力、创新能力和实践中的动手能力，增强学生对工作的适应能力，使教学与研究相统一m。研究性教学是以学生为主体,以问题为核心（PBL)去获取知识和应用知识的教学模式。研究性教学的内涵主要包括:教师把研究的思想、方法和取得的新进展引入教学活动；教师以研究的形式组织教学活动,打破原有的完整的学科逻辑和机械的顺序；学生积极参与研究之中，在研究中学习、成长，养成独立思考的气质和批判。

笔者根据研究性教学的规律及遗传学学科的特点,在教学过程中对以下几方面的问题进行了探索和实践。

1发挥学生的主动性和创造性，培养学生的思辨能力和独立思考能力

党的十八大指出，科技创新是提高社会生产力和综合国力的战略支撑,必须摆在国家发展全局的核心位置。要坚持走中国特色的自主创新道路,以全球视野谋划和推动创新，提高原始创新、集成创新和引进消化吸收再创新的能力，更加注重协同创新。这一论述充分体现了科技创新在经济和社会发展中的重要地位,也为高等教育提出了未来人才培养的方向。大学作为本科生培养基地，肩负着培养有创新精神和实践能力的高素质人才的重大历史使命。高校毕业生的质量直接关系到一个国家科技人才的整体实力和水平,高校教师如何改革现有的教学方法和模式,培养具有学习能力、自我创新能力的大学生，是目前教育教学过程中亟待解决的问题。

研究性教学模式具有极强的实践性。研究性教学模式特别注重教学与研究相结合，理论与实际相统一。研究性教学模式不只强调背诵、理解复述和模拟,而是注重培养学生的科学思维、自主意识、团队协作精神和工作责任心,强调培养学生获取与归纳整理信息的能力、分析解决问题的能力、展示成果与表述观点的能力。创新能力的培养不可能仅依靠获得知识,很大程度上还依赖于学生的直接经验的积累，因此切实加强研究性实践教学,对提高学生的实践能力是至关重要的。创新型人才的培养目标要求学生既要学会动手又要学会动脑；因此，教师在教学过程中要树立研究性教学为主的教学观,运用正确的教学法,积极探讨、推动教学研究和改革,培养学生主动探求知识的主体精神,动手、动脑的能力和创造性思维及创造精神。研究性教学过程从讨论问题开始,需要涉猎大量的资料,课程学习本身不仅在于学习知识，还在于掌握学习知识的方法。研究性教学以学生为主体的教学模式强调了学生在学习过程中的核心地位,教师只起引导、示范、鼓励、辅导和监控的作用，这种模式可以最大限度地调动学生学习的主动性和积极性,培养学生自主学习及独立分析和解决问题的能力。在遗传学的教学过程中可以采用问题式、讨论式、互动式课堂教学,从而达到更好的教学效果，在客观上具有一定的可行性。以学生为主体的教学模式关键在于课前的认真准备和教师在课堂上的灵活调控。

2专业知识教学和实验技术教学相结合

遗传学是一门在实验基础上发展起来的学科,尤其是现代遗传学技术的突飞猛进发展和遗传学知识的大量增加,都给学生的学习带来了一定的难度。因此,遗传学采用什么样的授课方法才能使学生掌握基本知识,提高学生的创新能力一直倍受教育工作者的关注。一些遗传学教师的教学经验表明，在遗传学授课过程中，适当地讲授遗传学研究的基本实验技术和遗传学研究材料的获得方法对帮助学生理解遗传学知识是非常重要的。例如，在介绍分子标记选择辅助育种的研究进展时,对分子标记的定义、类型、发展和每种标记的用途进行讲解,对遗传学研究材料如重组自交系和近等基因系群体的构建方法及其在基因定位和育种研究中的应用等知识进行回顾,大大增强了学生对专业知识的理解。在实验技术的教学方面,应不断地给学生介绍最新技术在遗传学研究中的作用以及不同技术在某一研究领域的时效性3。在内容上,尽量安排生动丰富且易于操作的实验项目，增加一些设计性和综合性的实验项目，尤其是近期，随着表观遗传学研究的日渐深入,适当地增加该方面的实验课程对帮助学生理解基于非基因序列改变所致基因表达水平变化,如DNA甲基化和染色质构象变化等表观遗传学对生物性状的改变所起的作用，可以开展表观遗传抑制剂对细胞周期调控的分析及RNA干扰基因沉默的遗传分析等实验。

3为学生提供具有时效性、权威性和新颖性的阅读材料

随着遗传学科的快速发展,研究领域不断拓宽,新技术、新成果不断涌现,任何一部教材都难以跟上遗传学快速发展的步伐，因此必须借助网络等媒体实现知识的不断更新。在教学过程中，教师可适当地借鉴〈(Science〉〉、《Nature》以及分子细胞生物学领域的一些国际权威杂志上的综述性文章作为教学中的补充内容,使学生在学习经典遗传学理论的同时，对分子遗传学和现代遗传学的发展有更深入的理解。如在研究癌症的遗传学基础时发现,一半以上癌症的发生过程中伴有p53突变。p53在正常细胞中寿命短、含量低，与细胞周期控制、DNA修复、衰老、血管生成和细胞凋亡密切相关。当p53发生突变时,细胞逃脱正常细胞生长的限制,使突变从一代细胞传到下一代细胞,这为癌症的发育创造了条件。在给学生授课的过程中，跟踪遗传学的最新研究动态，如引入p53等遗传学研究进展，可大大激发学生学习的积极性?。表观遗传学目前也是遗传学重要的补充,如乙酰化酶家族和染色体易位、转录调控、基因沉默、细胞周期、细胞分化与增殖以及细胞凋亡相关,从而对生物体的性状产生了影响。而非编码RNA不仅能对整个染色体进行活性调节,也可对单个基因活性进行调节，它们对基因组的稳定性、细胞分裂、个体发育都有重要的作用。在教学过程中，适量增加表观遗传学的知识,可以极大地丰富学生的知识量及对科技前沿知识的认识,为提高学生的科技创新能力奠定基础。

4案例式和情境式教学相结合，激发学生内在的学习动力

案例教学法（Casemedthodteaching,CMT)是根据教学目标和培养目标的要求,在学生掌握了有关的基础知识和基本理论的基础上,教师在教学过程中选择典型案例并以恰当的形式给学生展示,把学生带入一个特定情境中，在教师的指引下由学生自己依靠其知识结构和背景,在这种案例情境中发现、分析和解决问题，培养学生运用理论知识并形成技能技巧的一种教学方法5。案例教学法最大的特点就是模拟实践经验,增强学生实践的能力。遗传学教师在注重理论知识讲授的同时,要穿插与实际生活密切相关的大量案例,培养学生分析问题和动手实践等能力。

在遗传学教学过程中，注重教学内容与人类生活及人类疾病相结合,加强学生对教学内容的认识和遗传知识的深化。在讲授单基因遗传病、多基因遗传病和染色体病时,可与临床中真实的遗传病相联系,如常见的单基因遗传性疾病一白化病、苯丙酮尿症、黑尿症、先天性聋哑、高度近视，多基因遗传性疾病一原发性高血压、支气管哮喘、冠心病、青少年型糖尿病、类风湿性关节炎、精神分裂症、癫痫、先天性心脏病，染色体遗传性疾病一“21三体”综合征、猫叫综合征等。针对这些疾病，巧妙设计引导式问题,囊括大纲要求的知识点，突出遗传学的课程特色。在该模式下的教学过程中，学生不是被动地学、记忆和理解教师所教授的知识,而是在教师的指导下,将学生置于可以从不同角度看待事物的环境，问题情境便能够吸引并维持他们的兴趣，使他们积极寻找解决问题的方法，创造性地得出结论,从而激发学生学习的内在动力。

5加强遗传学教师师资队伍建设，为研究性教学提供人才保障

过去,很多高校过于注重结果性评价而忽视过程评价,无法对教师的研究性教学能力和学生的实践能力作出公正而又科学的评价H。目前，黑龙江八一农垦大学已经非常重视研究性教学的实施,并为此做出很多努力和尝试。遗传学作为生命科学的重要课程,其教师队伍的整体水平是制约教学效果的一个重要因素。没有一支高水平的教师队伍一切将成为空谈。为了提高研究性教学水平,学校组织教师到优秀研究性教学能手的课堂上听课,通过学习其他课程的课堂教学方法、教学模式，为遗传学更好地进行研究性教学提供了教学案例。此外,学校年轻的遗传学教师可以通过培训、进修等形式提高专业水平。最后，如果想成功地进行研究性教学，授课教师必须进行学科专业的科学研究。授课教师要随时关注遗传学领域的最新发展动向，将权威杂志中介绍这门学科研究的新概念、新发现、新思路和新方法的文献综述引入课堂。这些参考文献学术水平高、内容新、难度适中，开阔了学生的视野，对他们很有吸引力。教师只有通过科研,才能真正理解本学科教材的内在联系，把握住本学科的发展趋势,及时吸纳学科内最新科研学术成果,适时地把学生引入本学科知识和科研的前沿,引导学生在科研实践中增长才智、得到锻炼，激发学生的创造欲望，通过科研、实验等手段培养学生的创新能力。

对遗传学的认识与理解范文篇3

关键词：遗传算法；贪心算法；知识推理

中图分类号：TP391.6文献标识码：A文章编号：1009-3044(2011)31-

TheResearchofTheSelectionofKnowledgeReasoningMethodBasedonGeneticAlgorithm

TANHui-lin1,2,LIUXian-feng1

(1.ShaoyangMedicalCollege,Shaoyang422000,China;2.MathematicandComputerScienceCollegeofHunanNormalUniversity,Changsha410081,Chin)

Abstract:Thispapergetsaknowledgereasoningmethodbasedongeneticalgorithm,itwillbuildanoptimallearningpathforlearners.ThismethodiscarriedonmatlabR2009a,usingthebestpreservationofindividualoperator,rankingselectionoperatorandgreedyalgorithmtocontroltheproceduresofthecrossandthemutatewhichimprovetheefficiencyofthealgorithm,anditcansimultaneouslyconsiderthedifficultylevelofthecourseandthecourseofconceptcontinuitywhilegeneratingacustomizedlearningpath.

Keywords:geneticalgorithm;greedyalgorithm;knowledgereasoning

随着网络技术和数据挖掘技术的发展，智能教学系统的个性化学习路径的寻径成为重要课题。专家认为，学习者的学习成绩会受到教学材料的组织方式、教学材料的呈现方式以及教学内容的类型三者交互作用的影响[1]。该文是以学习认知和布卢姆的掌握学习理论为支撑，用遗传算法针对学习者所需要加强学习的课程构建了一条自适应的最优学习路径。

1掌握学习理论

掌握学习理论是美国著名教育学家布卢姆在卡罗尔的“学校学习模式”的基础上提出的，关于教学系列化和管理结构化研究的一种个别化教学理论[2]，“矫正-反馈”系统是掌握学习理论的一大特色[3]。布卢姆认为在教学前和过程中应及时对学习者进行评价，这样才能给学习者呈现最有益的学习序列，做到因材施教。

2课程难度

该文选取难度值较低的课程作为起始课程，这一做法符合了学习认知理论的循序渐进原则。首先由课程专家依据李克特氏5点量表对课程的难度系数进行初始化，然后根据学习者反馈信息调整课程难度参数[4]。因此，课程的难度系数逐渐趋于合理和稳定，能有效降低部分学习者的异常反馈信息，具体计算公式如下所示：

其中bj(tuned)是专家预设和学习者投票线性组合后的第j个课程自适应调整的难度参数；bj(initial)是由专家所给定的第j个课程的难度初始值；bj(voting)是由学习者在测验后投票出的第j个课程的平均难度；w是调节权重，可以随课程类型变化而变化。

3课程相似度

从认知能力发展的角度来说，相近的课程更方便学习者完成知识的同化与顺应。为了呈现符合学习者认知能力背景和需求的最佳学习路径，课程的相似度就成为了重要的课题。

为了便于计算课程的相关性，我们使用向量空间模型(VSM)[5]对课程进行建模。令A=(A1,A2,…,An)表示由m个知识点术语构成的n个课程文档集合，其中Aj=(A1j,A2j,…,Amj)T是课程文档向量，Aij表示知识点术语i在课程文档j中的信息权重。

假设课程i和课程j的知识点术语集合的个数为n。课程i和j的相似度rij可以用余弦度量法来计算：

4基于遗传算法的知识推理模型

基于遗传算法的知识推理模型如图1所示，其主要步骤如下：

1)由有经验的教师作为专家依据教学目标对每个课程设计相应的测试题目；

2)学习者进行测试得到相应的评估数据，即：学习者需要的课程以及课程难度系数；

3)分析模块将各课程的专家预设难度系数与学习者投票得出的难度系数进行线性调整，得出各课程的难度系数；

4)系统将学习者需要进行校正活动所对应的课程难度系数和课程之间的相似度系数送到基于遗传算法知识推理模块，为学习者推荐最优个性化课程序列。

5基于遗传算法的推理模块

5.1基于传统遗传算法的知识推理

1)染色体编码方法

假设课程库共有n个课程，给每个课程分配从1到n的序号[6]。每个课程分配的序号与其后续课程的序号相结合形成的染色体代表了个性化课程学习路径。

2)初始化种群

该文将生成一个以难度值最低的课程作为起始基因，由随机函数随机产生其它课程序列的初始种群。

3)选择算子

采用赌选择算子来完成选择操作。

4)交叉算子

采用两点交叉算子的变形，区域交叉算子[7]，作为交叉操作的方式。

5)变异算子

采用倒置变异[8]算子，也就是逆转变异算子作为变异操作的方式。

6)适应度函数

该文把个性化学习路径上的所有相继课程染色体之间的相似度系数之和作为适应度函数。染色体的适应度函数值越高，所得染色体越优越。推荐的适应度函数定义如下：

其中，r(i-1)i代表了连继的两个课程的相似度，n代表了所需考虑的总课程量。

7)仿真实验与分析

计算机的实验平台是：处理器Intel(R)Core(TM)DuoT57502.0GHz2.0GHz，内存3.0GB，操作系统Windows7，在MatlabR2009a对知识推理实现仿真：假设一个学习者在诊断性测验或形成性测验中不正确检测项目数为10，其错误项目相对应的课程之间的相似度及课程本身的自适应调整难度参数如表1所示：

Pc为0.90；Pm设定为0.01；初始种群为100；迭代次数为150。

表1错误项目对应的课程之间的相似度及课程本身的自适应调整难度参数

实验发现：基于传统遗传算法的知识推理算法最快迭代48次就能收敛到全局最优解，最慢迭代96次才能收敛到全局最优解。

图2是适应度函数图，其中圆圈所在的曲线代表了适应度函数最高值随着遗传迭代次数变化的曲线，方块所在的曲线代表了适应度函数平均值随着遗传迭代次数变化的曲线。

图2传统遗传算法的知识推理算法的适应度函数图

接下来，我们用表2来展示采用基于传统遗传算法的知识推理算法所寻找的最优个性化学习路径，并对路径中前后连续课程之间的相似度和课程本身的难度系数进行说明。

表2基于传统遗传算法的知识推理算法所寻找的个性化学习路径表

5.3基于改进的遗传算法的知识推理

该文所提出的改进遗传算法与传统遗传算法的区别之处在于选择算子、交叉算子、变异算子和各遗传参数的不同，初始化、编码和适应度函数两者是一致的。

1)选择算子

中国计量学院的学者提出了两次最优个体保存法[9]，实验证明该方法能加快坐标测量系统的标定过程且算法精确。该文对两次最优个体保存法进行改进，提出了三次最优个体保存法和排序选择相结合的选择算子，即：在初始化、交叉后和变异后三次使用最优个体保存法，最后使用排序选择算子将对种群实施优胜劣汰的操作。

实验发现：新选择算子的遗传算法最快迭代10次就能收敛到全局最优解，最慢迭代30次也能收敛到全局最优解，其适应度函数图如图3所示。

图3新选择算子的知识推理算法的适应度函数图

2)交叉算子

厦门大学的学者提出将贪心算法引入到遗传算法的交叉算子[10]中，有效解决了TSP问题中的群体多样性和收敛速度的矛盾。该文将区域交叉算子换成基于贪心算法思想的交叉算子，即：在父代课程染色体p1、p2中分别找到交叉点的右或左课程基因cr1、cl1和cr2、cl2，选择与交叉点相似度系数大的课程基因作为下一课程基因以及新的交叉点。

实验发现：新交叉算子的遗传算法最快迭代45次就能收敛到全局最优解，最慢迭代100次才能收敛到全局最优解，其适应度函数图如图4所示。

图5新交叉算子的知识推理算法的适应度函数图

3)变异算子

该文试着采用贪心算法和Inver-Overt算子相结合的变异算子操作方法，即每次选择的两交叉点的相似度是最大的。

实验发现：改进了变异算子的遗传算法最快迭代25次就能收敛到全局最优解，最慢迭代100次才能收敛到全局最优解，解空间分散的比较均匀，其适应度函数图如图5所示。

图6新变异算子的知识推理算法的适应度函数图

4)仿真实验与分析

下面我们应用Matlab对整个改进遗传算法的知识推理进行仿真实验，换言之，在与传统遗传算法知识推理中设定的一致情境中为学习者找寻一条符合其知识能力背景和需求的个性化学习路径。

Pc为0.90；Pm设定为0.01；初始种群为100；迭代次数为100。

实验发现：使用基于改进遗传算法的知识推理算法可以5次得到全局最优解6.4070，其它的解均可看成是近似最优解，其适应度函数图如图7所示。

图7改进遗传算法的知识推理算法的适应度函数图

综上所述，结合文中两种知识推理算法所进行的仿真实验，我们可以得到如下结论：使用改进的遗传算法的知识推理算法所得到的结果要明显好于使用传统的遗传算法的知识推理算法所得到的结果。前者的收敛速度更快，且产生的解空间均可看成近似最优解，解空间的染色体适应度函数值远高于后者。

6结束语

该文提出了基于遗传算法的知识推理模型，该模型能为学习者推荐符合其知识能力背景和需求的，以难度参数值最低的课程起始的、课程序列的相似度系数之和达到最大值的个性化学习路径，为构建个性化学习服务的智能教学系统提供了支持。

参考文献：

[1]赖丁R.认知风格与学习策略[M].庞维国,译.上海:华东师大出版社,2003:128.

[2]吴杰.外国现代主要教育流派[M].吉林:吉林教育出版社,1989:345-346.

[3]张春玲.对布卢姆掌握学习理论的再认识[J].洛阳师范学院学报,2001(1):80-82.

[4]ChenCM,LeeHM,ChenYH.Personalizede-learningsystemusingItemResponseTheory[J].Computers&Education,2005(44):237-255.

[5]陶跃华.基于向量的相似度计算方案[J].云南师范大学学报,2001(9):17-19.

[6]HuangMJ,HuangHS,ChenMY.Constructingapersonalizede-learningsystembasedongeneticalgorithmandcase-basedreasoningapproach[J].ExpertSystemswithApplications,2007(10):551-564.

[7]蒋望东,林士敏.基于选择性集成的整数编码遗传算法及TSP问题求解[J].计算机与现代化,2007(5):38-43.

[8]高经纬.求解TSP问题的遗传算法实现[J].计算机时代,2004(2):19-21.

[9]王学影.关节臂式坐标测量系统关键技术研究[J].中国计量学院学报,2010(3):12-15

[10]肖磊,张阿卜,徐文进.用MATLAB求解TSP问题的一种改进遗传算法[J].厦门理工学院学报,2005(12):38-42.