معرفی علم ژنتیک

اختصاصی از رزفایل معرفی علم ژنتیک دانلود با لینک مستقیم و پر سرعت .

مقالات زیست  با فرمت           DOC           صفحات  36

معرفی علم ژنتیک

ژنتیک، علم مطالعه وراثت، در تمامی زمینه‌های آن، از گسترش صفات در یک شجره‌نامه خانوادگی، تا بیوشیمی ماده ژنتیکی، اسید دزوکسی ریبونوکلئیکDNA و اسید ریبونوکلئیکRNA است. هدف ما در این بخش، معرفی و بررسی مکانیزم‌های وراثت است.

به صورت تاریخی، ژنتیک دانان در 3 حیطه مجزا فعالیت کرده‌اند، هر حیطه با مشکلات، روش‌ها و موجودات زنده مورد مطالعه مربوط به خود. این 3 حیطه عبارتند از ژنتیک کلاسیک، ژنتیک مولکولی و ژنتیک تکاملی (یا ژنتیک جمعیت).

در ژنتیک کلاسیک ما با تئوری کروموزومی وراثت روبرو هستیم، مفهومی که ژن‌ها را به صورت خطی در کنار هم بر روی کروموزوم فرض می‌کند. موقعیت نسبی ژنها با بررسی فراوانی زاده‌های حاصل از آمیزش‌های خاصی قابل تعیین است. ژنتیک مولکولی مطالعه ماده ژنتیک است؛ ساختار، رونویسی و بیان ماده‌ ژنتیک. همچنین در همین حیطه ما انقلاب بزرگ تکنولوژی DNAنوترکیب (یا مهندسی ژنتیک) و اطلاعات بدست آمده از آن را بررسی خواهیم کرد. ژنتیک تکاملی یا ژنتیک جمعیت به بررسی تغییرات در فراوانی ژنها در جمعیت می‌پردازد. مفهوم داروینی تکامل که بنابر پایه انتخاب طبیعی است بررسی می‌شود.

الگوریتم ژنتیک

اختصاصی از رزفایل الگوریتم ژنتیک دانلود با لینک مستقیم و پر سرعت .

فرمت :WORD                                                     تعداد صفحه :110

1-1- مقدمه

به طور کلی انتخاب و طراحی بهینه در بسیاری از مسائل علمی و فنی باعث تولید بهترین محصول یا جواب ممکن در یک شرایط خاص می شود. برای مثال تولید محصولات مناسب در حوزه های مختلف فنی و مهندسی وابسته به طراحی دقیق و بهینه ی شکل، اندازه و قطعات محصول است. در نتیجه هر مسئله ی مهندسی ممکن است داری چندین جواب مختلف باشد که بعضی از آنها ممکن و بعضی غیر ممکن است . وظیفه ی طراحان پیدا کردن بهترین جواب ممکن از میان جواب های مختلف است. مجموعه ی جواب های ممکن فضای طراحی را شکل می دهند که باید در این فضا به جستجوی بهترین یا بهینه ترین جواب پرداخت.

 از آنجایی که نتیجه ی کار با توجه به نوع انتخاب این متدها و روش ها حاصل می شود لذا به اهمیت موضوع انتخاب بهینه ( Optimum ) و بهینه سازی در همه ی مسائل پی می بریم پس:

(( هدف ما این است که در فضای جواب های ممکن به دنبال بهترین جواب بگردیم. ))

روش های جدید بهینه سازی که امروزه در حل بسیاری از مسائل مختلف مورد استفاده قرار می گیرد عبارتند از:

1. Simulated Annealing

2. Ant colony

                                                                                               3. Random Cost

4. Evolution strategy

5. Genetic Algorithm

6. Celluar Automata

در این پایان نامه به بررسی و استفاده از روش Genetic Algorithm می پردازیم.

فصل دوم

مقدمه ای بر الگوریتم ژنتیک

2-1- مقدمه

الگوریتم های ژنتیک یکی از الگوریتم های جستجوی تصادفی است که ایده ی آن برگرفته از طبیعت می باشد . الگوریتم های ژنتیک در حل مسائل بهینه سازی کاربرد فراوانی دارند . به عنوان مثال می توان به مسئله فروشنده دوره گرد اشاره کرد . در طبیعت از ترکیب کروموزوم های بهتر ، نسل های بهتری پدید می آیند . در این بین گاهی اوقات جهش هایی نیز در کروموزوم ها روی می دهد که ممکن است باعث بهتر شدن نسل بعدی شوند. الگوریتم ژنتیک نیز با استفاده از این ایده اقدام به حل مسائل می کند .

در الگوریتم های ژنتیک ابتدا به طور تصادفی یا الگوریتمیک ، چندین جواب برای مسئله تولید می کنیم . این مجموعه جواب را جمعیت اولیه می نامیم . هر جواب را یک کروموزوم می نامیم . سپس با استفاده از عملگرهای الگوریتم ژنتیک پس از انتخاب کروموزوم های بهتر ، کروموزوم ها را باهم ترکیب کرده و جهشی در آنها ایجاد می کنیم . در نهایت نیز جمعیت فعلی را با جمعیت جدیدی که از ترکیب و جهش در کروموزوم ها حاصل می شود ، ترکیب می کنیم . موارد فوق را با جزئیات بیشتری مورد بررسی قرار می دهیم 

شکل 2-1- مراحل الگوریتم ژنتیک

2-2- پیشینه

پیشینه ی الگوریتم ژنتیک به سال های حدود 1960 برمی گردد. در دهه های 50 و 60 تحقیقات متعددی برای استفاده از نظریه تکامل در بهینه سازی مسائل مهندسی به طور مستقل صورت گرفت. ایده ی اصلی در همه این سیستم ها، رشد یک جمعیت از پاسخ های اولیه یک مساله به سمت پاسخ بهینه با الهام گیری از عملگرهای انتخاب و تغییر ژنتیک طبیعی بود. در سال های 1965 تا 1973 رکنبرگ(Rechenberg ) کتاب خود را به نام  تکنیک های تکامل (Evolution strategies (Evolutionsstrategie in original) ) در زمینه محاسبات تکاملی منتشر کرد و در سال های بعد نظریه او توسط محققین دیگر توسعه یافت. الگوریتم ژنتیک نخستین بار توسط  جان هلند ( John Holland ) مطرح و به وسیله خود او و دانشجویان و همکارانش گسترش یافت. تلاش های او و اطرافیانش در این زمینه در نهایت به نشر کتاب سازگاری در طبیعت و سیستم های مصنوعی (Adaption in Natural and Artificial Systems ) انجامید. پس از آن تحقیقات گسترده ای توسط افراد مختلف در این زمینه انجام شد (به عنوان مثال در سال 1992 جان کزا (John Koza ) الگوریتم ژنتیک را به صورت عملیاتی در برنامه نویسی به کار برد و برنامه نویسی ژنتیک (genetic programming(GP) ) را به عنوان روش خود مطرح ساخت.) و الگوریتم ژنتیک به صورت امروزی خود رسید.

2-3- اصطلاحات زیستی

در راستای فهم کامل الگوریتم ژنتیک، ابتدا بهتر است با برخی از اصطلاحات زیستی به کار رفته در تئوری این الگوریتم آشنا شویم. همه موجودات زنده از واحدهای کوچکی به نام سلول تشکیل شده اند. هر سلول نیز به نوبه خود از مجموعه ای از یک یا چند کروموزوم (chromosome ) تشکیل شده است. کروموزوم ها رشته هایی از مولکول DNA می باشند که در حقیقت برنامه کاری موجود زنده را در خود ذخیره می کنند. هر کروموزوم شامل چندین ژن( gene ) می باشد، که هر ژن بلوکی از مولکول DNA می باشد که پروتئین خاصی را کدگذاری می کند. به طور کلی می توان گفت که هر ژن یک خصیصه (trait ) از موجود زنده (مانند رنگ چشم) را کد گذاری می کند. حالت های ممکن برای یک خصیصه را (allele  ) می گویند. هر ژن موقعیت مخصوص خود را در کروموزوم دارد که به آن (locus ) می گویند. بسیاری از موجودات زنده در هر سلول چندین کروموزوم دارند. مجموعه کامل مواد ژنتیکی در سلول (مجموعه همه کروموزوم ها) (genome ) نامیده می شوند. اصطلاح (genotype ) به مجموعه خاصی از کروموزوم های موجود در genome اتلاق می شود. Genotype ها در پی تحولات و تغییر، به phenotypeها خصوصیات فیزیکی و ذهنی موجود زنده (مانند رنگ چشم، بلندی، اندازه مغز و یا میزان هوش) تبدیل می شوند.

در طی تولید مثل جنسی(reproduction )، در اثر الحاق(recombination or crossover ) ژن ها از کروموزوم های والدین(parents ) با یکدیگر ترکیب شده تا کروموزوم کامل جدیدی را تشکیل دهند. در طی این تغییرات، ممکن است تغییرات کوچکی در برخی از بخش های DNA   ژن های فرزند، بوجود آمده و فرزند دچار جهش (mutation ) گردد. در نهایت تناسب (fitness ) یک موجود زنده با توجه به احتمال زیستن آن برای تکثیر(زیست پذیری(viability ) ) یا برحسب تابعی از تعداد فرزندان آن گونه (باروری(fertility )) تعیین می گردد.

2-4- تشریح کلی الگوریتم ژنتیک

یک تشریح کلی از الگوریتم ژنتیک را می‏توان به صورت زیر در نظر گرفت :

 -1 جمعیتی از رشته‏ها را به صورت تصادفی بسازید.
 -2 هررشته داخل جمعیت را ارزیابی کنید.
 -3 رشته‏های جدید را با ترکیب رشته‏های جاری ایجاد کنید. برای ترکیب رشته‎های والد از عملگر‏های جهش و تبادل استفاده کنید.
 -4 اعضایی از جمعیت را برای ایجاد فضایی برای رشته‏های جدید حذف کنید.
 -5 رشته‏های جدید را ارزیابی نموده و آنها را داخل جمعیت قرار دهید.
 -6 اگر زمان اجرا تمام شده است توقف نمایید و بهترین رشته را باز گردانید. در غیر این صورت به مرحله سه بازگردید.

روند ذکر شده در بالا متداول‏ترین روش الگوریتم ژنتیک را تشریح می‏کند. اما محققین مختلف، آن را به روش‏های متفاوت پیاده سازی کرده‎اند.

دو روش متداول دیگر برای اختتام: (همگرا شدن الگوریتم، تولید تعداد خاص نسل می‏باشد).

2-5- حل مساله با استفاده از الگوریتم های ژنتیک

برای حل مساله با استفاده از الگوریتم های ژنتیک ، ابتدا جمعیت اولیه ای شامل K کروموزوم تولید می کنیم . هر کروموزوم نشان دهنده جواب مساله خواهد بود . سپس با استفاده از عملگر برازش میزان مطلوب بودن هر کرموزوم را محاسبه کرده و در مرحله بعد با استفاده از مقادیر محاسبه شده در مرحله برازش کروموزوم هایی را انتخاب کرده و جمعیت میانی را تولید می کنیم . تعداد کروموزوم های جمعیت میانی نیز K کروموزوم خواهد بود . در نهایت نیز عملگر جهش بر روی کروموزوم های جمعیت میانی اعمال می شود . پس از اعمال عملگر جهش ، جمعیت میانی جایگزین جمعیت اولیه می شود . دوباره مراحل برازش ، ادغام و جهش و جایگزینی بر روی آن انجام می شود . شبه کد زیر نحوه انجام مراحل فوق را نشان می دهد :

Population = GeneratePopulation(K) 

For I = 1 to MaxIterations Fitness(Population) If any of chromosomes is optimal Then  Break Offspring =  Crossover(Population) Mutate(Offspring)

EndFor

2-6- اجزای الگوریتم ژنبیک

با توجه به آنچه گذشت، الگوریتم ژنتیک بخشی از نظریه حسابگری تکاملی (evolutionary computing ) است که در حال حاضر به عنوان بخشی از هوش مصنوعی به سرعت در حال رشد می باشد. ایده اصلی این الگوریتم در نظریه تکامل داروین نهفته است.  از نظر کاربردی، الگوریتم ژنتیک یکی از روش های بهینه سازی مسائل است که اساس آن بر انتخاب طبیعی (natural selection) (عامل اصلی تکامل زیستی) و برخی مفاهیمی که از علم ژنتیک الهام گرفته شده اند، استوار است. در این روش به بیان ساده، برای بهینه سازی تابع هدف (تابع تناسب(fitness function )) مساله، در هر مرحله، از یک جمعیت (population) اولیه کروموزوم ها (افراد (individuals) ) که در حقیقت پاسخ های اولیه مساله می باشند، به یک جمعیت جدید از کروموزوم ها و یا یک نسل (generation) جدید که در حقیقت پاسخ های ثانویه مساله مفروض می باشند می رسیم. بنابراین با تکرار این عملیات و تولید جمعیت جدید از جمعیت قبلی در هر مرحله و در نتیجه رسیدن به نسل های موفق، جمعیت به سمت یک پاسخ بهینه رشد خواهد کرد.
در الگوریتم ژنتیک هر کروموزوم نشان دهنده پاسخی از مساله مورد نظر می باشد. این پاسخ بسته به نوع کدسازی مساله مورد نظر که  با توجه به خصوصیات مساله تعیین می شود، می تواند به صورت ماتریسی  از اعداد حقیقی (کدسازی حقیقی)، یک رشته از بیت های 0و1 ای (کدسازی باینری) و ... مطرح شود. بنابراین هر کدام از ژن ها که اجزاء کروموزوم ها میباشند، می توانند نشانگر یک عدد حقیقی، یک بیت و ... باشند.

اجزای الگوریتم ژنتیک عبارتند از:

• جمعیت : جمعیتی از جوابهای ممکن که به کروموزوم و ژن تبدیل شده اند.
• کدگذاری : نمایش اعضاء در الگوریتم ژنتیک
• عملگرهای الگوریتم ژنتیک : عملگرهای ژنتیک که باعث ترکیب ساخت ژنتیکی فرزندان در طول تولید مثل می شوند.

2-6-1- جمعیت

مفهوم جمعیت در الگوریتم ژنتیک شبیه به چیزی است که در زندگی طبیعی وجود دارد. برای مساله گزاره هایی وجود دارند که می توانند به عنوان پاسخ، چه درست، چه غلط در نظرگرفته شوند. به این گزاره ها پاسخهای ممکن یا شدنی می گوییم. مثلا اگر مساله یافتن ماکزیمم یک تابع در مجموعه اعداد صحیح باشد، تمام اعداد صحیح می توانند به عنوان پاسخ شدنی مساله در نظر گرفته شوند.

در الگوریتم ژنتیک به عنوان اولین مرحله لازم است مجموعه ای از جوابهای شدنی به عنوان جمعیت اولیه ایجاد شود. اعضای این مجموعه معمولا به صورت تصادفی انتخاب می شوند اما در الگوریتمهای بهینه، از قیدهایی استفاده می شود تا جمعیت پراکندگی بیش از حد نداشته باشد. تعداد اعضای جمعیت به نوع مساله بستگی دارد. در واقع تعداد اعضا، پارامتری است که با تغییر آن می توان دقت جوابها و سرعت همگرایی جستجو را بهبود بخشید. در برخی مسائل یک جمعیت 8 عضوی کاملاٌ مناسب است در حالی که در برخی یک جمعیت 100 عضوی نیز کافی نیست. بر اساس تجربه بهتر است تعداد اعضای جمعیت عددی بین 10 تا 160 باشد.

بعد از انتخاب جمعیت، لازم است اعضای آن به شکل کروموزوم درآیند. هر کروموزوم آرایشی از چند ژن است. در مرحله تبدیل (کدگذاری) (Encoding) ، جوابها به ژنها تبدیل می شوند. روشهای مختلفی برای کدگذاری وجود دارد. انتخاب روش وابسته به نوع مساله ای است که به آن پرداخته می شود. نکته قابل ذکر در تبدیل جوابها به کروموزوم ها این است که طول کروموزوم ها باید برابر و ثابت باشد یعنی اگر یک جواب از مجموعه به کروموزومی با n ژن تبدیل شد، طول تمام کروموزومهای دیگر نیز باید n باشد. طول کروموزومها را نوع کدگذاری، جنس پاسخها و محدوده پاسخها تعیین می کند. کروموزومها در الگوریتم ژنتیک باید به گونه ای باشند که دقیقا تمام مشخصات پاسخ را در خود ذخیره کنند. مثلا اگر مساله با اعداد حقیقی کار می کند، کروموزوم باید شامل اطلاعات مربوط به علامت عدد، تعداد رقمهای اعشاری، محدوده عدد و ... باشد. مهمترین نوع کدگذاری، کدگذاری باینری است.

2-6-2- کدگذاری

بعد از انتخاب جمعیت، لازم است اعضای آن به شکل کروموزوم درآیند. هر کروموزوم آرایشی از چند ژن است. در مرحله تبدیل (کدگذاری) (Encoding) ، جوابها به ژنها تبدیل می شوند. روشهای مختلفی برای کدگذاری وجود دارد. انتخاب روش وابسته به نوع مساله ای است که به آن پرداخته می شود. نکته قابل ذکر در تبدیل جوابها به کروموزوم ها این است که طول کروموزوم ها باید برابر و ثابت باشد یعنی اگر یک جواب از مجموعه به کروموزومی با n ژن تبدیل شد، طول تمام کروموزومهای دیگر نیز باید n باشد. طول کروموزومها را نوع کدگذاری، جنس پاسخها و محدوده پاسخها تعیین می کند. کروموزومها در الگوریتم ژنتیک باید به گونه ای باشند که دقیقا تمام مشخصات پاسخ را در خود ذخیره کنند. مثلا اگر مساله با اعداد حقیقی کار می کند، کروموزوم باید شامل اطلاعات مربوط به علامت عدد، تعداد رقمهای اعشاری، محدوده عدد و ... باشد. مهمترین نوع کدگذاری، کدگذاری باینری (دودویی ) است.

1. کدگذاری دودویی

  عمومی ترین روش وآشناترین نوع کدگذاری در GA ، همان روش کدگذاری دودویی است، زیرا در تحقیقات اولیه GA این روش مورد استفاده قرار گرفت که روش بسیار ساده ای است.

  در روش کد گذاری دودویی همه ی کورموزم ها با رشته هایی که شامل بیت هایی از 1-0 است کد می شوند .

اغلب این روش کدگذاری برای اکثر مسائل طبیعی نیست و بعد از CrossOver و جهش باید تغییراتی درآن به وجود آورد.

 Chromosome A

101100101100101011100101

Chromosome B

111111100000110000011111

شکل 2-2- مثالی از کروموزوم ها به روش کدگذاری دودویی

1. کدگذاری مقادیر

  شیوه ی کدگذاری مقادیر را در مواردی بکار می بریم که مسئله دارای مقادیر پیچیده ای است، مانند اعداد صحیح که استفاده از کد گذاری باینری در این حالت بسیار دشوار است .

Chromosome A

1.2324  5.3243  0.4556  2.3293  2.4545

Chromosome B

ABDJEIFJDHDIERJFDLDFLFEGT

Chromosome C

(back), (back), (right), (forward), (left)

شکل 2-3- مثالی از کروموزوم ها با استفاده از روش کدگذاری مقادیر

 کدگذاری مقادیر روش خوبی برای کدگذاری مسئله های خاص است، ولی با این وجود برای اینگونه کد گذاری اغلب باید شیوه های توسعه یافته ی جدیدی در Crossover و جهش به کار برد .                     

2-6-2-3- کدگذاری درختی

  کدگذاری درختی اساساً برای استنتاج برنامه یا بیان طرح برنامه های الگوریتم ژنتیک مورد استفاده قرار می گیرد. کد گذاری درختی برای استنتاج برنامه ها یا هر راهبردی که بتواند به صورت درخت کدگذاری شود بسیار مفید است. زبان برنامه نویسیLISP  اغلب بدین منظور به کار میرود.  بنابراین Crossover و جهش را می توان به سادگی با این روش انجام داد.

2-6-3- عملگرهای الگوریتم ژنتیک

• Fitness ( برازش، ارزیابی )
• Selection ( انتخاب )
• Crossover ( ترکیب )
• Mutation ( جهش )

2-6-3-1- Fitness ( برازش )

با استفاده از این عملگر ، میزان بهینگی هر کروموزوم را تعیین می کنیم . به عنوان مثال در مسئله فروشنده دوره گرد ، تورهایی با مسافت کمتر بهینه تر هستند . و یا در مسئله n وزیر تعداد برخوردهای کمتر باعث بهینگی بیشتر کروموزوم می شود . بنابراین می توان نتیجه گرفت که عملگر Fitness برای هر کروموزوم احتمالی را نسبت می دهد که این احتمال ، همان احتمال ترکیب شدن کروموزم برای تولید نسل های آینده را نشان می دهد . بدیهی است که کروموزوم های بهینه تر شانس بیشتری برای ترکیب با دیگر کروموزوم ها خواهند داشت . بنابراین احتمالی که به آنها نیز نسبت می دهیم باید بیشتر باشد .

2-6-3-2-  selection (انتخاب)

در مرحله انتخاب، یک جفت از کروموزومها برگزیده می شوند تا با هم ترکیب شوند. عملگر انتخاب رابط بین دو نسل است و بعضی از اعضای نسل کنونی را به نسل آینده منتقل می کند. بعد ازانتخاب، عملگرهای ژنتیک روی دو عضو برگزیده اعمال می شوند. معیار در انتخاب اعضاء ارزش تطابق آنها می باشد اما روند انتخاب حالتی تصادفی دارد.

شاید انتخاب مستقیم و ترتیبی به این شکل که بهترین اعضا دو به دو انتخاب شوند در نگاه اول روش مناسبی به نظر برسد اما باید به نکته ای توجه داشت. در الگوریتم ژنتیک ما با ژن ها روبرو هستیم. یک عضو با تطابق پایین اگرچه در نسل خودش عضو مناسبی نمی باشد اما ممکن است شامل ژنهایی خوب باشد و اگر شانس انتخاب شدنش 0 باشد، این ژنهای خوب نمی توانند به نسل های بعد منتقل شوند. پس روش انخاب باید به گونه ای باشد که به این عضو نیز شانس انتخاب شدن بدهد.

راه حل مناسب، طراحی روش انتخاب به گونه ای است که احتمال انتخاب شدن اعضای با تطابق بالاتر بیشتر باشد. انتخاب باید به گونه ای صورت بگیرد که تا جایی که ممکن است هر نسل جدید نسبت به نسل قبلی اش تطابق میانگین بهتری داشته باشد.

روشهای متداول انتخاب عبارتند از:

• انتخاب چرخ رولت[1]
• انتخاب ترتیبی[2]
• انتخاب بولتزمن3
• انتخاب حالت پایدار4
• نخبه سالاری5
• انتخاب رقابتی6

• انتخاب چرخ رولت

انتخاب چرخ رولت ، روشی است که به نسبت مقدار تطابق، اعضا را انتخاب می کند . این روش یک چرخ رولت را شبیه سازی می کند تا تعیین کند کدام اعضا ء شانس بازتولید را دارند . هر عضو به نسبت تطابقش، تعدادی از بخشهای چرخ رولت را به خود اختصاص می دهد. سپس در هر مرحله انتخاب یک عضو برگزیده می شود و روند آنقدر تکرار می شود تا به اندازه کافی، جفت، برای تشکیل

---

[1]Roulette wheel Selection

                                                                                                                                                                            Rank Selection [2]

3 Boltzmann Selection

4 Steady-State Selection

5 Elitism

6 Tournament Selection

دانلود تحقیق کامل درباره تاریخچه علم ژنتیک

اختصاصی از رزفایل دانلود تحقیق کامل درباره تاریخچه علم ژنتیک دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 14

تاریخچه علم ژنتیک

به عنوان مقدمه

دانش زیست شناسی یکی از قدیمی ترین علومی بوده که بشر به آن توجه داشته است. شواهد بسیار زیادی که طی کاوشهای باستان شناسی بدست آمده حکایت از آن دارد که انسانهای پیشین به دانش زیست شناسی توجه داشته اند و در این میان اصلاح نژاد دامها و پرورش گیاهان با باردهی بیشتر از دانش گذشتگان در مورد علم ژنتیک خبر می دهد. اما از حدود یک قرن پیش دانش زیست شناسی وارد مرحله جدیدی شد که بعدا آن را ژنتیک نامیده اند و این امر انقلابی در علم زیست شناسی به وجود آورد. در قرن هجدهم ، عده ای از پژوهشگران بر آن شدند که نحوه انتقال صفات ارثی را از نسلی به نسل دیگر بررسی کنند؛ این بررسی ها به نتیجه قابل ملاحضه ای ختم نشد. دو دلیل مهم آن عبارت بودند از آگاهی نداشتن به ریاضیات و دلیل دوم انتخاب صفاتی بود که برای پژوهش های اولیه ژنتیک مناسب نبودند.

اولین کسی که توانست قوانین حاکم بر انتقال صفات ارثی را شناسایی کند، کشیشی اتریشی به نام گریگور مندل بود که در سال 1865 این قوانین را که حاصل آزمایشاتش روی گیاه نخود فرنگی بود، ارائه کرد. این در حالی بودکه جامعه علمی آن دوران به دیدگاه ها و کشفیات او اهمیت چندانی نداد و نتایج کارهای مندل به دست فراموشی سپرده شد. و به نظر می رسید ، پرونده این دانش رو به بسته شدن است. در سال 1900 میلادی کشف مجدد قوانین ارائه شده از سوی مندل ، توسط درویس ، شرماک و کورنز باعث شد که نظریات او مورد توجه و قبول قرار گرفته و مندل به عنوان پدر علم ژنتیک شناخته شود.

در سال 1953 با کشف ساختمان جایگاه ژنها (DNA) از سوی جیمز واتسن و فرانسیس کریک ، رشته ای جدید در علم زیست شناسی به وجود آمد که زیست شناسی ملکولی نام گرفت . با حدود گذشت یک قرن از کشفیات مندل در خلال سالهای 1971 و 1973 در رشته زیست شناسی ملکولی و ژنتیک که اولی به بررسی ساختمان و مکانیسم عمل ژنها و دومی به بررسی بیماری های ژنتیک و پیدا کردن درمانی برای آنها می پرداخت ، ادغام شدند و رشته ای به نام مهندسی ژنتیک را به وجود آوردند که طی اندک زمانی توانست رشته های مختلفی اعم از پزشکی ، صنعت و کشاورزی را تحت الشعاع خود قرار دهد و دیدگاه های مختلف عصر حاضر را به خود اختصاص دهد.

اساس مهندسی ژنتیک و بیوتکنولوژی انتقال یک یا تعدادی از ژنهای یک ارگانیسم به درون خزانه ژنتیکی یک ارگانیسم دیگر است. به این ترتیب ارگانیسم جدید واجد ژنهایی خواهد شد که در گذشته فاقد آن بوده و اینک وادار می شود که در شرایط محیطی مناسب اقدام به بیان آن ژن نماید که محصول آن می تواند منجر به بروز صفت خاص و یا تولید فراورده ای شود.

مهندسی ژنتیک و بیوتکنولوژی در چند سال اخیر توانسته منشأ خدمات ارزنده ای برای نوع بشر باشد. از مهمترین دستاوردهای این دانش می توان تأثیر آن را حیطه های مختلف از جمله صلاح نژادی حیوانات و گیاهان با هدف تولید فراورده های بیشتر، تهیه داروها و هورمون ها با درجه خلوص بالا و صرف هزینه های پایین ، درمان بیماری های ژنتیکی با ایجاد تغییرات در سلول تخم و موار متعدد دیگر اشاره کرد. تشخیص قبل از بارداری بیماری های ژنتیکی ، تشخیص صحت رابطه فرزند با پدر و مادر و همچنین تکنیک شناسایی مجرمان از روی بقایای باقی مانده از بدن ، مو و یا خون آنها از جمله توانایی های دیگر ژنتیک مولکولی است.

در نگاهی دیگر دورنمای دانش ژنتیک و بیوتکنولوژی بسیار زیبا جلوه می کند. تولید اعضای بدن از قلب گرفته تا چشم و دست و پا به صورت مجزا از طریق مهندسی ژنتیک و ارایه آنها به بانکهای اعضای بدن با هدف کمک به نیازمندان پیوند عضو ، یکی از این موارد است. به این ترتیب مشکل دفع پیوند حل خواهد شد و مخصوصاً در صورتی که عضو پیوندی از دارای خزانه ژنتیک همان فرد باشد هیچ آنتی ژن بیگانه ای نمیتواند عامل دفع عضو باشد. درمان بسیاری از بیماری های ژنتیکی مخصوصاً در دوره جنینی قابل درمان خواهد بود. هویت افراد از روی کارتهای شناسایی که بر پایه وراثت و ژنتیک آنها عمل می کند ممکن خواهد شد و مجرمان با گذاشتن کوچکترین اثر بیولوژیکی از خود مثل یک تار مو بسرعت شناسایی خواهند شد.

دنیای آینده در تسخیر دانش ژنتیک خواهد بود و برای این علم نمیتوان پایانی قائل شد. اگر چه به نظر می رسد مثل هر دانش دیگری، این علم هم می تواند ابزاری برای ارضاء حس قدرت طلبی بسیاری از سیاستمداران باشد و تا کنون شاهد جنجالهای بسیاری زیادی هم در این مورد بوده ایم. یکی از مهمترین موارد آن تولید گیاهان تراریخت و کلونینگ و همسانه سازی انسان بوده است.

گریگور مندل

گریگوری مندل که او را پدر ژنتیک می دانند در روستای برنو که اکنون جزوی از کشور چک است در خانواده ای تنگ دست و آلمانی زبان متولد شد. پدر مندل، یک کشاورز بود که حداقل سه روز در هفته برای مالک زمین در شرایطی بسیار سخت و طاقت فرسا کار می کرد تا بالاخره روزی مالک یک زمین زراعی شد. مندل هم به پرورش درختان میوه علاقه زیادی داشت و باغ میوه کوچک خود را با پیوندهایی بهبود می بخشید که کشیش شهر، پدر «شریبر»، در اختیارش می گذاشت. یوهان جوان که پس از راهب شدن گرگور مندل نام گرفت، در این کار به پدرش کمک می کرد. و به تدریج با باغبانی و پرورش گل آشنا شد.

پدر شریبر در مدرسه دهکده تدریس می کرد. کودکان در آن مدرسه نه تنها خواندن و نوشتن می آموختند، بلکه با تاریخ طبیعی و علوم نیز آشنا می شدند. مندل هم که شاگرد ممتازی بود ، درس را در همان مدرسه شرع کرد. پدر مندل که مرد فقیری بود ، با وجود امکانات بسیار اندک، هر آنچه در توان داشت، به کار گرفت تا پسرش آینده بهتری داشته باشد. یوهان، تحصیلات ابتدایی را با موفقیت پشت سر گذاشت و برای رفتن به دبیرستان آماده شد. هر چند که رفتن به دبرستان برای

پاورپوینت الگوریتم ژنتیک

اختصاصی از رزفایل پاورپوینت الگوریتم ژنتیک دانلود با لینک مستقیم و پر سرعت .

فرمت فایل:powerpoint

تعدادصفحات:54 اسلاید

مروری بر مطالب:

مقدمه و تاریخچه

روند الگوریتم‌های ژنتیک

مزایا و معایب الگوریتم‌های ژنتیک

پارامتر‌های کنترل

حل TSP با استفاده از GA

جمع‌بندی

 

مقدمه و تاریخچه:

GA بعنوان دسته‌ای از الگوریتم‌های تکاملی

ابداع توسط آقای John Holland در سال 1975 در میشیگان

شبیه‌سازی روند GA بر اساس روند تکاملی طبیعت

پایه‌گذاری بر اساس نظریه آقای چارلز داروین

روشی برای جستجو در فضاهای بزرگ

کاربرد در مسائل بهینه‌سازی

 

مقدمه:

الگوریتم ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش بینی یا تطبیق الگو استفاده می کند.

 

الگوریتم ژنتیک  یک تکنیک برنامه نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می کند.

 

الگوریتم ژنتیک برای مسائل جستجو و بهینه سازی بکار برده می شود.

 

هنگامی که لغت تنازع بقا به کار می‌رود اغلب بار ارزشی منفی آن به ذهن می‌آید. شاید همزمان قانون جنگل به ذهن برسد و حکم بقای قوی‌تر!

 

طبیعت مناسب ترین‌ها (Fittest) را انتخاب می ‌کند نه بهترین‌ها.

 

تحقیق و بررسی در مورد علم ژنتیک 35 ص

اختصاصی از رزفایل تحقیق و بررسی در مورد علم ژنتیک 35 ص دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 38

پیشگفتار

چرا از گربه ، بچه گربه و از گوسفند بره متولد می شود ؟ چگونه شباهتهای والدین به فرزندان منتقل می شوند ؟ آیا همه بچه های یک جفت گربه عینا مثل هم و مثل والدین خود هستند ؟ آیا همه افراد یک جاندار کاملا شبیه یکدیگراند ؟ سرچشمه شباهتها و تفاوتهای جانداران از کجاست ؟ و اصولا مسئله وراثت چیست ؟ سالیان متمادی پاسخ این گونه پرسشها مبنای علمی نداشت . مثلا فکر می کردند که اگر در آبشخور گوسفندان خرمایی رنگ شاخه های درختان تبریزی ، فندق و شابلوط قرار دهند ، بره هایی که از آنها به دنیا می آیند دارای پشمی خوشرنگ ، زیبا ، و گرانقیمت خواهند بود . یا اگر زنان باردار به جانوری زشت و بد منظر نگاه کنند نوزادی که به دنیا می آورند نیز بد قیافه و بدریخت ( شبیه به آن جانور ) خواهد بود .

امروزه می دانیم بدن همه جانداران از سلول ساخته شده است و درون هر سلول مولکولهای مخصوصی به نام « ژن » هست . ژنها ، صفات مشابه و متفاوت جانداران را پدید می آورند . سلولهای بدن هر جاندار و ژنهای درون آنها از والدینش سرچشمه می گیرند و شباهتهای آنها هم از این راه به او منتقل می شوند . اما ساختمان و کار ژنها ممکن است اندکی مختلف باشند و همین اختلاف سبب تفاوتهایی در جانداران شود . شاخه ای از علم زیست‌شناسی‌که به توضیح این مطالب می‌پردازد ژنتیک یا علم وارثت‌نامیده می‌شود .

آیزاک آسیموف دانشمند آمریکایی ، درباره تاریخ تلاشهایی که زیستشناسان برای پیدایش ژنتیک و توضیح مسائل مربوط به وراثت به عمل آورده اند باز بانی ساده و گیرا ، سخن می گوید .

ژنتیک

تعریف – هر نوع حیوان یا گیاه خصوصیاتی ساختمانی و فیزیولوژیک دارد که آنها را عموما به نسل بعد انتقال می دهد . اما آنچه از جانداران به نسل بعد منتقل می شود طرح کلی ساختمانی و فیزیولوژیک است ، به طوری که عموما میان والدین و فرزندان تفاوتهایی نیز مشاهده می شود . گاه نیز در فرزندی خاصه هایی دیده می شود که در پدر بزرگ یا مادربزرگش وجود داشته است و گاه خاصه هایی است که در خانواده آنها تازگی دارد .

ژنتیک یا علم وراثت ، علمی است که شباهتها و تفاوتهای میان والدین و اولاد و عوامل و اسباب آنها را مطالعه می کند . یکی از این عوامل وراثت است . عامل دیگر محیط است .

مطالعات مندل

هزارها سال راز وراثت همچنان در پرده باقی ماند . به سال 1865 ، گرگور مندل راه انتقال صفات از والدین به اولاد را کشف کرد . مندل کشیشی ساکن شهر برون ( شهر برنوی فعلی چک اسلوواکی ) بود . وی در دانشگاه ، علوم و ریاضیات تحصیل کرده بود و اوقات فراغت را در باغچه دیرخود نخود می کاشت و این کار را برای تهیه غذا نمی کرد بلکه به منظور مطالعه قوانین وراثت بدان دست می زد .

مندل نخستین کسی نبود که در این رشته مطالعه می کرد بلکه آنچه تا آن زمان در این پاره تحقیق شده بود بی نتیجه مانده بود .

علت توفیق مندل دو عامل بود :

طرح مسئله به صورتی درست 2- تفسیر درست پاسخ حاصل .

مندل در عین حال بسیار پرحوصله و پرکار بود و هشت سال تمام به پرورش نخود و مطالعه خصوصیات آن پرداخت و متجاوز از ده هزار بوته از این گیاه را با دقت از نظر گذرانید و نتیجه استنباطاتش را در یکی از نشریه های معمولی انجمن علمی محلی به چاپ رسانید . حاصل تحقیقات مندل در هشتم فوریه سال 1865 به چاپ رسید و گرچه سی و پنج سال بعد از آن تاریخ به اهمیت آن پی بردند ، این روز را روز تولد علم وراثت می شناسند .

در مطالعات مندل سه خصوصیت دیده می شود :

اول : به ترکیب کردن یک یا دو گیاه راضی نمی شد بلکه در هر وهله ترکیبهای مشابه پرشمار انجام می داد تا عده زیادی اولاد حاصل را مطالعه کند .

دوم : از آنجا که دورگه های حاصل پرشمار بودند توانست از ریاضیات استفاده ببرد . به عبارت دیگر روش کمی به کار برد .

سوم : همه صفات یک گیاه را مورد مطالعه قرار نمی داد بلکه هر بار فقط یک جفت صفت را تحت نظر می گرفت ، آن هم صفاتی که مثل طول بوته ( بلندی یا کوتاهی ) شکل دانه ( صاف یا چین خورده ) تفاوت آشکار داشتند .

فراموش نشود که در عصر مندل از وجود کروموزوم و ژن و تقسیم سلول اطلاعی در دست نبود و او فقط براساس نتایج آزمایشهایش به کشف قوانین وراثت توفیق یافته است. مندل از آن جهت نخود را برای مطالعه انتخاب کرده بود که کاشتن آن آسان ست و در مدت کوتاهی چند نسل از آن به دست می آید و بخصوص وضع گل نخود بسیار مناسب است و بدین معنی که پرچمها و مادگی گل نخود درون گلبرگهایش مخفی هستند و در آنها خود لقاح صورت می گیرد .

مندل به منظور ترکیب کردن دو بوته متفاوت و انجام دگر لقاح ، پرچمهای گلهای یک بوته را ، پیش از رسیدن مادگی گلهای همان بوته ، قطع می کرد و سپس دانه های گرده گلهای بوته دیگر را به دست خود روی کلاله مادی گلهای بی پرچم می نشاند .

پیش از آنکه مندل به دگر لقاح دو بوته دارای دو صفت متفاوت اقدام کند ، هر یک از آنها را چند نسل می کاشت تا مطمئن شود از نظر