能排成的串即染色体。生成初始种群随机产生个初始个体构成初始种群，种群的规模和多样性对遗传算法的性能有很大的影响，应该尽量根据先验知识将初始群体分布到最优解附近。个体适应值评估用适应值函数来评价每个体的适应值，得出个体的优劣程度。适应值将作为选择操作的依据。经过以上准备步骤，遗传算法开始进行遗传操作，遗传操作包括三个基本遗传算子选择交叉变异。每个基本操作都有多种不同的方法。选择选择是根据个体的优劣程度即适应值决定它是被复制到下代中还是被淘汰。交叉所谓交叉是指把两个父代个体的部分基因互换而生成新个体的操作。基本的交叉方法有单点交叉双点交叉多点交叉等。变异根据变异率对个体的些位的基因值随机变动，这可以为新个体的产生提供机会。变异使遗传算法具有局部的随机搜索能力，同时有助于增加种群的多样性，避免早熟收敛。经过以上步骤得到了新的种群，如果没达到循环终止条件，否则转入步骤反复迭代。标准遗传算法的流程图描述如图所示。二遗传算法参数的选择中的参数选择包括群体规模收敛判定准则交叉概率和变异概率等。目前对的参数设置的合理选择还缺少相应的理论作为指导。由于算法中控制参数的选取关系到的精度可靠性和计算时间等诸多因素，并且影响到结果的质量和系统性能。关键参数选择规制如下种群大小种群规模太小时，会影响搜索范围，难以维持种群个体的多样性，太大则计算复杂度高搜索效率低，般取为到之间。交叉率和变异率交叉率和变异率的设置关系到的收敛性和群体中个体的多样性。越大，则算法的算法搜索力强，个体的平均适应值波动较大相反，小，较优个体不易被破坏，个体的平均适应之波动较小，遗传算法收敛湖南工业大学本科毕业设计论文慢。般取从到之间，取到之间。图标准遗传算法的流程图收敛准则是种反复迭代的搜索方法，它通过多次进化逐渐逼近最优解而不是恰好等于最优解，因此需要确定收敛准则。目前采用的收敛判定准则有多种，如规定遗传迭代的代数或连续几次迭代得到的最优个体的适应值没有变化或者变化很小时，或种群中最优个体的适应值与平均适应值之差和平均适应值的比值小于给定允许值时等等。三遗传算法的特点遗传算法利用生物进化和遗传的思想实现优化过程，区别于传统优化算法，它具开始初始化种群计算个体适应值是否满足收敛准则选择交叉变异输出搜索结果结束湖南工业大学本科毕业设计论文有以下特点对问题参数编码成染色体后进行优化操作，而不是针对参数本身，这使得不受函数约束条件的限制，如连续性可导性等。的搜索过程是从问题的个集合开始的，而不是从单个个体开始的，具有隐含并行性搜索特征，从而大大减小了陷入局部极值的可能。使用的遗传操作均是利用概率转移规则，而非确定性规则，同时根据个体的适应值信息进行搜索，无需其他信息，如导数信息等。具有全局搜索能力，最善于搜索复杂问题和非线性问题。遗传算法的优越性主要表现在算法进行全空间搜索，并将搜索重点集中于性能高的部分，从而能够提高效率且不易陷入局部最优，即使在所定义的适应值函数是不连续的非规则的或有噪声的情况下，它也能以很大的概率找到整体最优解。算法具有固有的并行性，通过对种群的遗传操作可处理大量的模式，并且容易并行实现，非常适用于大规模并行计算机。遗传算法也存在缺点，传统的选择交叉变异机制和按适应值比例选择，使得高于群体平均的个体在下代中获得较多的取样，这样不断进行，旦些个体取样在群体中占有优势，传统遗传算法就会强化这种优势，从而使搜索范围迅速变窄，但迅速收敛的群体达到的未必是全局最优，这就产生了过早收敛问题。遗传模拟退火混合优化算法遗传算法和模拟退火算法的全局搜索能力强，优化结果的鲁棒性与传统优化方法相比有很大的提高，但也都存在着各自的缺点，所以这两种优化单独应用于图像配准中效果都不甚理想，为此我们将模拟退火算法的接受准则引入到遗传算法中，提出了采用遗传模拟退火混合优化算法的图像配准方法。为克服遗传算法的过早收敛，保持种群的个体多样性就变得十分必要。但是保持多样性并不是各个随机串的混合，因为这样算法最终很难收敛，而是指有用的多样性，即种群中的些个体分别代表解空间不同的局部所在的区域。在传统的遗传算法的交叉变异算子中，当新个体替换其父代个体时，存在两种不利的情况如果和在同区域且是局部最优，那么会丢失这个局部最优如果和不在同区域且的适应值比的适应值小，会使所在的区域丢失个元素，而且在下代的选择算子中易被排除，这样易使所在的区域又丢失个元素，使得有用的多样性得不到保证。湖南工业大学本科毕业设计论文图遗传模拟退火混合优化算法的流程图开始确定初始温度，初始化种群，计算个体适应值选择父本,交叉变异生成子代,用替换以概率用替换，满足算法停止准则输出搜索结果结束湖南工业大学本科毕业设计论文以上情况出现越多，越有两种可能种群收敛向局部区域或各个局部区域之间的个体互换量基本相当，这时种群的收敛性同样很差，很难找到接近全局最优的解。对于这些问题，遗传算法和模拟退火算法相结合的混合优化算法是种有效的解决办法，即在中引入接受准则，我们将其应用到基于互信息的图像配准中。遗传模拟退火混合优化算法的主要步骤如下初始化算法各参数随机产生组初始个体构成初始种群,计算种群中每个个体相应的适应值判断是否符合算法停止准则，若符合则算法结束，返回最优解否则做以下各步采用轮盘赌法从种群中选择适应值较大的对个体，作为父本，对每对父本进行如下操作由父本，通过交叉变异生成子代计算，的适应值若,则用替换否则，以概率接受返回。算法流程图如图所示。由于遗传算法中交叉算子和变异算子对算法完成全局搜索的重要作用及其对有效模式的破坏作用，所以在算法中我们需要对其加以控制。模拟退火算法的概率接受准则，既保证了搜索的全局特征又使算法趋于收敛，可以用于对交叉变异算子的控制。在遗传算法初期，接受概率接近于，可以保接受准则引入到遗传算法中，能很好的克服遗传算法容易过早收敛问题，不容易陷入局部最优值，配准精度达到亚像素级。采用蚁群算法以及遗传算法进行配准，其鲁棒性强，不容易陷入局部最优中，但局部搜索力不杂志邵小玲，董晓琪例住院患者营养问题的调查及护理干预护理与康复张翠红，陈佐明住院抑郁患者团体治疗研究中国健康心理学杂志冯文，卢晶梅，刘旭红家庭护理干预对产后抑郁症发病影响的研究中国实用杂志判断力下降等。多疑敏感病人常在情绪低落等的影响下出现关系妄想自责自罪嫉妒妄想罪恶妄想无价值妄想等。自杀观念和行为是常见的症状，也是最危险的症状。但病人常不明确表达，甚至否认有自杀观念。产妇担心自己不能照顾婴儿自己或婴儿会受到伤害等。重者甚至绝望，出现自杀或杀婴倾向，有时陷入错乱或昏睡状态。躯体症状群睡眠紊乱是抑郁状态最常伴随的症状之，有早醒的病人更是如此。早醒后，病人即陷入痛苦绝望之中。食欲紊乱主要表现为食欲下降和体重减轻。食欲减退的发生率约为左右。精力下降常在主观上感到精力不够，表现为无精打采，疲乏无力，懒惰，甚至需他人帮助料理日常生活。昼重夜轻病人的心境常有昼夜节律改变，即情绪在晨间加重。病人睁眼，就在为新的天担忧，不能自己。在下午和晚间有所减轻。护理般护理睡眠护理抑郁患者往往因居住环境失眠早醒以及各种原因引起的痛苦有关。严重失眠早醒会影响病人生活质量，加重病情的发展。要随时评估病人的睡眠情况，并了解失眠早醒的原因。若因环境改变或时间的苦恼而造成的失眠，可通过与病人交谈，缓解其心理不适感，无需用药。其他原因引起的失眠则应针对原因给予相应措施，以增进病人的睡眠时间和质量。饮食参与易完成有趣味的活动，引导病人关注周围及外界的事情。了解产妇与配偶及其他家庭成员的关系和其他人交流互动的情况，以及个家庭成员的角色行为。充分利用家庭资源，增进家庭对疾病的认识，引导家属共同面对病人问题，调整家庭的适应能力。在这同时，产妇需认识到接纳个新的家庭的重要性，与丈夫起担当家长的责任，调节好从夫妇两人生活方式到夫妇与孩子三人的生活方式。指导丈夫及其他家庭成员加倍的关心产妇，提供婴儿喂养和护理知识，耐心帮助产妇护理和喂养自己的孩子，鼓励产妇表达自己的心情并与其他产妇交流等均有助于提高产妇的自信心和自尊感，促进接纳孩子，接纳自己。小结产后抑郁的症状比产后沮丧持续长，可持续数周。通常发生在分娩后的数日或数周。心理护理对缓解症状配合治疗预防复发都有极大的帮助。方法常用的有般性心理治疗如支持鼓励保证解释倾听等。结束语产后抑郁是是组非精神病性的抑郁症状群，可持续数周。对于初产妇是个应激因素，由于社会角色的完全改变对她们的认知和行为有很大的影响，容易超越正常界限造成病理性改变。为了保障产母安全渡过产褥期，进行有效的母乳喂养，必须对抑郁的产母进行心理护理，为产妇创造个安全舒适的家庭环境。参考文献吴文清，祈剑云，刘利华，等产后抑郁症焦虑症的相关因素分析中国妇产科临床护理抑郁患者大多出现食欲减退，故应根据病情提供高热量易消化的饮食。可根据病人的饮食习惯提供家庭式饮菜，增加食欲并注意饮食卫生，创造洁净的饮食环境。安全护理提供舒适安静安全的环境，杜绝出现自杀物品如刀绳玻璃等。生活设施应安全，不能用作自杀工具。能排成的串即染色体。生成初始种群随机产生个初始个体构成初始种群，种群的规模和多样性对遗传算法的性能有很大的影响，应该尽量根据先验知识将初始群体分布到最优解附近。个体适应值评估用适应值函数来评价每个体的适应值，得出个体的优劣程度。适应值将作为选择操作的依据。经过以上准备步骤，遗传算法开始进行遗传操作，遗传操作包括三个基本遗传算子选择交叉变异。每个基本操作都有多种不同的方法。选择选择是根据个体的优劣程度即适应值决定它是被复制到下代中还是被淘汰。交叉所谓交叉是指把两个父代个体的部分基因互换而生成新个体的操作。基本的交叉方法有单点交叉双点交叉多点交叉等。变异根据变异率对个体的些位的基因值随机变动，这可以为新个体的产生提供机会。变异使遗传算法具有局部的随机搜索能力，同时有助于增加种群的多样性，避免早熟收敛。经过以上步骤得到了新的种群，如果没达到循环终止条件，否则转入步骤反复迭代。标准遗传算法的流程图描述如图所示。二遗传算法参数的选择中的参数选择包括群体规模收敛判定准则交叉概率和变异概率等。目前对的参数设置的合理选择还缺少相应的理论作为指导。由于算法中控制参数的选取关系到的精度可靠性和计算时间等诸多因素，并且影响到结果的质量和系统性能。关键参数选择规制如下种群大小种群规模太小时，会影响搜索范围，难以维持种群个体的多样性，太大则计算复杂度高搜索效率低，般取为到之间。交叉率和变异率交叉率和变异率的设置关系到的收敛性和群体中个体的多样性。越大，则算法的算法搜索力强，个体的平均适应值波动较大相反，小，较优个体不易被破坏，个体的平均适应之波动较小，遗传算法收敛湖南工业大学本科毕业设计论文慢。般取从到之间，取到之间。图标准遗传算法的流程图收敛准则是种反复迭代的搜索方法，它通过多次进化逐渐逼近最优解而不是恰好等于最优解，因此需要确定收敛准则。目前采用的收敛判定准则有多种，如规定遗传迭代的代数或连续几次迭代得到的最优个体的适应值没有变化或者变化很小时，或种群中最优个体的适应值与平均适应值之差和平均适应值的比值小于给定允许值时等等。三遗传算法的特点遗传算法利用生物进化和遗传的思想实现优化过程，区别于传统优化算法，它具开始初始化种群计算个体适应值是否满足收敛准则选择交叉变异输出搜索结果结束湖南工业大学本科毕业设计论文有以下特点对问题参数编码成染色体后进行优化操作，而不是针对参数本身，这使得不受函数约束条件的限制，如连续性可导性等。的搜索过程是从问题的个集合开始的，而不是从单个个体开始的，具有隐含并行性搜索特征，从而大大减小了陷入局部极值的可能。使用的遗传操作均是利用概率转移规则，而非确定性规则，同时根据个体的适应值信息进行搜索，无需其他信息，如导数信息等。具有全局搜索能力，最善于搜索复杂问题和非线性问题。遗传算法的优越性主要表现在算法进行全空间搜索，并将搜索重点集中于性能高的部分，从而能够提高效率且不易陷入局部最优，即使在所定义的适应值函数是不连续的非规则的或有噪声的情况下，它也能以很