生物防治是一种自然现象—一天敌对动物、植物数量的调节的应用。是所有活生物保持 平衡的自然控制力的主要因素的应用。 生物防治的定义( Biological control) 生物防治概念 生物防治是一门研究利用天敌控制植物病害虫害和农田杂草的理论和实践的学科:或称 之为寄生物、捕食者、病原微生物和侵袭杂草的植食性种的管理。研究利用害虫天敌,控制 害虫的理论和实践的学科,叫害虫的生物防治。另一简单而又包括自然现象领域和天敌利用 的定义是:寄生物、捕食者、或病原物使另一种生物的平均密度维持在它较它们不存在时为 底的水平的作用(1964 Debach)。也有广义认为寄主抗生性、自我不孕和种的遗传控制等

1、课程简介 《园艺育种及良种繁育学》是园艺专业的重要专业课程,是一门综述园艺植物育种基础 知识和基本技术的课程。通过学习,了解和掌握园艺植物育种及良种繁育的基本知识、基 本理论和基本操作技术。主要研究园艺植物(包括观赏植物、蔬菜、果树)育种的基本方 法及其各种方法的主要操作程序,为良种繁育奠定理论基础和实践技术。本课程以基础理 论知识为基础,突出育种技术,加强理论和实践环节的联系是学习本课程的关键所在。 2、地位和任务 《园艺育种及良种繁育学》是果树、蔬菜及观赏植物人工进化的科学,是以遗传学、进 化论为主要基础的综合性应用科学。园艺植物育种学与有关园艺植物的栽培学有密切的联 系,是园艺科学中不可偏缺的主要学科。 《园艺育种及良种繁育学》是研究选育园艺植物新品种的原理和方法的科学。其基本任 务是根据不同地区原有品种基础和主、客观情况,科学地制订先进而切实可行的育种目 标;在征集、评价和利用种质资源,研究和掌握性状遗传变异规律及变异多样性的基础 上,采用适当的育种途径和方法,选育适合于市场需要的优良品种,乃至新的园艺作物 在繁殖、推广的过程中保持及提高其种性,提供数量足够、质量可靠、成本较低的繁殖材 料,促进高产、优质、高效园艺业的发展

为了发挥粒子群算法和专用遗传算法的各自优点,提出了一种将二者结合的切换优化策略.该策略前期采用一种基于种群最优个体混沌化的混沌粒子群算法,后期选用专用遗传算法.通过大量仿真实验确定了在迭代代数、种群标准差和最优个体适应度差三种切换指标下各自的最优切换条件.与单一专用遗传算法和单一混沌粒子群算法的仿真对比表明:本文提出的切换优化策略在综合路径长度、平滑性和规划时间三个性能指标后具有一定的优越性

将支持向量机(SVM)和遗传算法(GA)集成应用到矿体品位插值问题中,利用遗传算法全局搜索的优势对支持向量机的三个关键参数——惩罚系数C、不敏感系数ε和核函数参数σ进行寻优,克服单纯支持向量机法中依靠经验确定参数的局限性.将优化参数代入到支持向量机中进行迭代训练,得到基于遗传算法参数优化的支持向量机(GA-SVM)矿体品位插值模型.以国内典型矿山的实际勘探数据为例,通过该品位插值模型计算结果与传统插值方法计算结果和矿山生产实际数据的对比分析,验证了其可行性和有效性

现在世界上已经发现的遗传病将近 4000 种. 在一般情况下，遗传病是与特殊的种族、部落及 群体有关。例如，镰状网性贫血症一般流行在黑 人中，患者经常未到成年就痛苦地死去，而他们 的父母则是疾病的病源。我们能否尽量减少悲剧 的发生？

应用晶界分离模型解释了片层α相的球化现象，阐述了TA15钛合金转变组织中次生片层α相的球化是其主要的流动软化机制.基于钛合金球化软化机理，建立了TA15钛合金的统一黏塑性本构模型.本构模型综合考虑了次生α相的球化、正则位错密度、等向硬化、塑性成形产生的温升、成形过程中的相变等物理变量.利用遗传算法确定了本构模型中的材料常数.本构模型能够较好地描述TA15钛合金热变形下的流动应力变化

提出了一种将遗传算法用于热送热装生产计划优化的方法.与MTSP方法不同,该方法在优化时不需预先确定轧制单位的数目,它充分利用了轧制单位的结构特点,在对轧制计划优化的同时,优化了轧制单位的数目.仿真结果表明,该方法可在大量的生产合同中很快找出满足各种生产约束条件的热送热装生产计划的可行解,以提高热送热装率

针对高炉炼铁过程的关键工艺指标——铁水硅含量[Si]难以直接在线检测且化验过程滞后的问题,提出一种基于稀疏化鲁棒最小二乘支持向量机(R-S-LS-SVR)与多目标遗传参数优化的铁水[Si]动态软测量建模方法.首先,针对标准最小二乘支持向量机(LS-SVR)的拉格朗日乘子与误差项成正比导致最终解缺少稀疏性的问题,提取样本数据在特征空间映射集的极大无关组来实现训练样本集的稀疏化,降低建模的计算复杂度;其次,标准最小二乘支持向量机的目标函数鲁棒性不足的问题将IGGⅢ加权函数引入稀疏化后的最小二乘支持向量机模型进行鲁棒性改进,得到鲁棒性较强的稀疏化鲁棒最小二乘支持向量机模型;最后,针对常规均方根误差评价模型性能的不足,提出从建模误差与估计趋势评价建模性能的多目标评价指标.在此基础上,利用非支配排序的带有精英策略的多目标遗传算法优化模型参数,从而获得具有最优参数的铁水[Si]在线软测量模型.工业实验及比较分析验证了所提方法的有效性和先进性

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题，提出了一种基于群体智能优化的多核学习支持向量机算法。首先，研究了五种单核函数对支持向量机分类性能的影响，进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法；其次，为增加粒子多样性及快速寻优，将粒子群优化算法引入了遗传算法中的杂交操作，并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后，分别采用深度特征与手工特征作为识别算法的输入，研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入，以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试，进一步为了验证所提算法的泛化能力，选取公开数据集LUNA16进行测试。实验结果表明，本文算法易于跳出局部最优解，提升了算法的学习能力与泛化能力，具有较优的分类性能

多元线性回归( multiple linear regression)是分析一个随机变量与多个变量 之间线性关系的最常用的统计方法。实际工作中,常常希望知道所关心的事物受 哪些因素的影响,比如销售量与价格和广告费的关系,农业产量与原料和气候的 关系,生育水平与教育水平和经济水平的关系,物价和失业率的关系,收入与受 教育程度和年龄的关系等等。多元线性回归用变量的观察数据拟合所关注的变量 和影响它变化的变量之间的线性关系式,检验影响变量的显著程度和比较它们的 作用大小,进而用两个或多个变量的变化解释和预测另一个变量的变化 回归这一名词起源于19世纪生物学家F.高尔顿进行的遗传学研究,他在研 究子女身高与父母身高之间关系时发现