遺傳計算常用方法

『壹』 遺傳演算法

遺傳演算法是從代表問題可能潛在解集的一個種群開始的，而一個種群則由經過基因編碼的一定數目的個體組成。每個個體實際上是染色體帶有特徵的實體。染色體作為遺傳物質的主要載體，即多個基因的集合，其內部表現（即基因型）是某種基因的組合，它決定了個體形狀的外部表現，如黑頭發的特徵是由染色體中控制這一特徵的某種基因組合決定的。因此，在一開始需要實現從表現型到基因型的映射即編碼工作。由於仿照基因編碼的工作很復雜，我們往往進行簡化，如二進制編碼。初始種群產生之後，按照適者生存和優勝劣汰的原理，逐代（generation）演化產生出越來越好的近似解。在每一代，根據問題域中個體的適應度（fitness）大小挑選（selection）個體，並藉助於自然遺傳學的遺傳運算元（genetic operators）進行組合交叉（crossover）和變異（mutation），產生出代表新的解集的種群。這個過程將導致種群自然進化一樣的後生代種群比前代更加適應環境，末代種群中的最優個體經過編碼（decoding），可以作為問題近似最優解。

5.4.1 非線性優化與模型編碼

假定有一組未知參量

x_i（i=1，2，…，M）

構成模型向量m，它的非線性目標函數為Φ（m）。根據先驗知識，對每個未知量都有上下界α_i及b_i，即α_i≤x≤b_i，同時可用間隔d_i把它離散化，使

d_i=（b_i-α_i）/N （5.4.1）

於是，所有允許的模型m將被限制在集

x_i=α_i+jd_i（j=0，1，…，N） （5.4.2）

之內。

通常目標泛函（如經濟學中的成本函數）表示觀測函數與某種期望模型的失擬，因此非線性優化問題即為在上述限制的模型中求使Φ（m）極小的模型。對少數要求擬合最佳的問題，求目標函數的極大與失擬函數求極小是一致的。對於地球物理問題，通常要進行殺重離散化。首先，地球模型一般用連續函數表示，反演時要離散化為參數集才能用於計算。有時，也將未知函數展開成已知基函數的集，用其系數作為離散化的參數集x_i，第二次離散化的需要是因為每一個未知參數在其變化范圍內再次被離散化，以使離散模型空間最終包含著有限個非線性優化可選擇的模型，其個數為

地球物理數據處理教程

其中M為未知參數x_i的個數。由此式可見，K決定於每個參數離散化的間隔d_i及其變化范圍（α_i，b_i），在大多數情況下它們只能靠先驗知識來選擇。

一般而言，優化問題非線性化的程度越高，逐次線性化的方法越不穩定，而對蒙特卡洛法卻沒有影響，因為此法從有限模型空間中隨機地挑選新模型並計算其目標函數 Φ（m）。遺傳演算法與此不同的是同時計算一組模型（開始時是隨機地選擇的），然後把它進行二進制編碼，並通過繁殖、雜交和變異產生一組新模型進一步有限的模型空間搜索。編碼的方法可有多種，下面舉最簡單的例說明之，對於有符號的地球物理參數反演時的編碼方式一般要更復雜些。

假設地球為有三個水平層的層次模型，含層底界面深度h_j（j=1，2，3）及層速度v_j（j=1，2，3）這兩組參數。如某個模型的參數值為（十進制）：

h₁=6，h₂=18，h₃=28，單位為10m

v₁=6，v₂=18，v₃=28，單位為 hm/s

按正常的二進制編碼法它們可分別用以下字元串表示為：

地球物理數據處理教程

為了減少位元組，這種編碼方式改變了慣用的單位制，只是按精度要求（深度為10m，波速為hm/s）來規定參數的碼值，同時也意味著模型空間離散化間距d_i都規格化為一個單位（即10m，或hm/s）。當然，在此編碼的基礎上，還可以寫出多種新的編碼字元串。例如，三參數值的對應位元組順序重排，就可組成以下新的二進制碼串：

地球物理數據處理教程

模型參數的二進制編碼是一種數學上的抽象，通過編碼把具體的非線性問題和生物演化過程聯系了起來，因為這時形成的編碼字元串就相當於一組遺傳基因的密碼。不僅是二進制編碼，十進制編碼也可直接用於遺傳演算法。根據生物系統傳代過程的規律，這些基因信息將在繁殖中傳到下一帶，而下一代將按照「適者生存」的原則決定種屬的發展和消亡，而優化准則或目標函數就起到了決定「適者生存」的作用，即保留失擬較小的新模型，而放棄失擬大的模型。在傳帶過程中用編碼表示的基因部分地交合和變異，即字元串中的一些子串被保留，有的改變，以使傳代的過程向優化的目標演化。總的來說，遺傳演算法可分為三步：繁殖、雜交和變異。其具體實現過程見圖5.8。

圖5.8 遺傳演算法實現過程

5.4.2 遺傳演算法在地震反演中的應用

以地震走時反演為例，根據最小二乘准則使合成記錄與實測數據的擬合差取極小，目標函數可取為

地球物理數據處理教程

式中：T_i，0為觀測資料中提取出的地震走時；T_i，s為合成地震或射線追蹤算出的地震走時；ΔT為所有合成地震走時的平均值；N_A為合成地震數據的個數，它可以少於實測T_i，0的個數，因為在射線追蹤時有陰影區存在，不一定能算出合成數據T_j，0。利用射線追蹤計算走時的方法很多，參見上一章。對於少數幾個波速為常數的水平層，走時反演的參數編碼方法可參照上一節介紹的分別對深度和速度編碼方法，二進制碼的字元串位數1不會太大。要注意的是由深度定出的字元串符合數值由淺到深增大的規律，這一約束條件不應在雜交和傳代過程中破壞。這種不等式的約束（h₁＜h₂＜h₃…）在遺傳演算法中是容易實現的。

對於波場反演，較方便的做法是將地球介質作等間距的劃分。例如，將水平層狀介質細分為100個等厚度的水平層。在上地殼可假定波速小於6400 m/s（相當於解空間的硬約束），而波速空間距為100m/s，則可將波速用100m/s為單位，每層用6位二進制字元串表示波速，地層模型總共用600位二進制字元串表示（l=600）。初始模型可隨機地選取24～192個，然後通過繁殖雜交與變異。雜交概率在0.5～1.0之間，變異概率小於0.01。目標函數（即失擬方程）在頻率域可表示為

地球物理數據處理教程

式中：P₀（ω_k，v_j）為實測地震道的頻譜；ω_k為角頻率；v_j為第j層的波速；P_s（ω_k，v_j）為相應的合成地震道；A（ω_k）為地震儀及檢波器的頻率濾波器，例如，可取

A（ω）=sinC⁴（ω/ω_N） （5.4.6）

式中ω_N為Nyquist頻率，即ω_N=π/Δt，Δt為時間采樣率。參數C為振幅擬合因子，它起到合成與觀測記錄之間幅度上匹配的作用。C的計算常用地震道的包絡函數的平均比值。例如，設E［］為波動信號的包絡函數，可令

地球物理數據處理教程

式中：t_max為包絡極大值的對應時間；J為總層數。包絡函數可通過復數道的模擬取得。

用遺傳演算法作波速反演時失擬最小的模型將一直保存到迭代停止。什麼時候停止傳代還沒有理論上可計算的好辦法，一般要顯示解空間的搜索范圍及局部密度，以此來判斷是否可以停止傳代。值得指出的是，由（5.4.4）和（5.4.5）式給出的目標函數對於有誤差的數據是有問題的，反演的目標不是追求對有誤差數據的完美擬合，而是要求出准確而且解析度最高的解估計。

遺傳演算法在執行中可能出現兩類問題。其一稱為「早熟」問題，即在傳代之初就隨機地選中了比較好的模型，它在傳代中起主導作用，而使其後的計算因散不開而白白浪費。通常，增加Q值可以改善這種情況。另一類問題正相反，即傳相當多代後仍然找不到一個特別好的解估計，即可能有幾百個算出的目標函數值都大同小異。這時，最好修改目標函數的比例因子（即（5.4.5）式的分母），以使繁殖概率P_s的變化范圍加大。

對於高維地震模型的反演，由於參數太多，相應的模型字元串太長，目前用遺傳演算法作反演的計算成本還嫌太高。實際上，為了加快計算，不僅要改進反演技巧和傳代的控制技術，而且還要大幅度提高正演計算的速度，避免對遺傳演算法大量的計算花費在正演合成上。

『貳』 遺傳演算法的基本原理

遺傳演算法的基本原理和方法

一、編碼

編碼：把一個問題的可行解從其解空間轉換到遺傳演算法的搜索空間的轉換方法。

解碼（解碼）：遺傳演算法解空間向問題空間的轉換。

二進制編碼的缺點是漢明懸崖（Hamming Cliff），就是在某些相鄰整數的二進制代碼之間有很大的漢明距離，使得遺傳演算法的交叉和突變都難以跨越。

格雷碼（Gray Code）：在相鄰整數之間漢明距離都為1。

（較好）有意義的積木塊編碼規則：所定編碼應當易於生成與所求問題相關的短距和低階的積木塊；最小字元集編碼規則，所定編碼應採用最小字元集以使問題得到自然的表示或描述。

二進制編碼比十進制編碼搜索能力強，但不能保持群體穩定性。

動態參數編碼（Dynamic Paremeter Coding）：為了得到很高的精度，讓遺傳演算法從很粗糙的精度開始收斂，當遺傳演算法找到一個區域後，就將搜索現在在這個區域，重新編碼，重新啟動，重復這一過程，直到達到要求的精度為止。

編碼方法：

1、 二進制編碼方法

缺點：存在著連續函數離散化時的映射誤差。不能直接反映出所求問題的本身結構特徵，不便於開發針對問題的專門知識的遺傳運算運算元，很難滿足積木塊編碼原則

2、 格雷碼編碼：連續的兩個整數所對應的編碼之間僅僅只有一個碼位是不同的，其餘碼位都相同。

3、 浮點數編碼方法：個體的每個基因值用某一范圍內的某個浮點數來表示，個體的編碼長度等於其決策變數的位數。

4、 各參數級聯編碼：對含有多個變數的個體進行編碼的方法。通常將各個參數分別以某種編碼方法進行編碼，然後再將他們的編碼按照一定順序連接在一起就組成了表示全部參數的個體編碼。

5、 多參數交叉編碼：將各個參數中起主要作用的碼位集中在一起，這樣它們就不易於被遺傳運算元破壞掉。

評估編碼的三個規范：完備性、健全性、非冗餘性。

二、選擇

遺傳演算法中的選擇操作就是用來確定如何從父代群體中按某種方法選取那些個體遺傳到下一代群體中的一種遺傳運算，用來確定重組或交叉個體，以及被選個體將產生多少個子代個體。

常用的選擇運算元：

1、 輪盤賭選擇（Roulette Wheel Selection）：是一種回放式隨機采樣方法。每個個體進入下一代的概率等於它的適應度值與整個種群中個體適應度值和的比例。選擇誤差較大。

2、 隨機競爭選擇（Stochastic Tournament）：每次按輪盤賭選擇一對個體，然後讓這兩個個體進行競爭，適應度高的被選中，如此反復，直到選滿為止。

3、 最佳保留選擇：首先按輪盤賭選擇方法執行遺傳演算法的選擇操作，然後將當前群體中適應度最高的個體結構完整地復制到下一代群體中。

4、 無回放隨機選擇（也叫期望值選擇Excepted Value Selection）：根據每個個體在下一代群體中的生存期望來進行隨機選擇運算。方法如下

（1） 計算群體中每個個體在下一代群體中的生存期望數目N。

（2） 若某一個體被選中參與交叉運算，則它在下一代中的生存期望數目減去0.5，若某一個體未被選中參與交叉運算，則它在下一代中的生存期望數目減去1.0。

（3） 隨著選擇過程的進行，若某一個體的生存期望數目小於0時，則該個體就不再有機會被選中。

5、 確定式選擇：按照一種確定的方式來進行選擇操作。具體操作過程如下：

（1） 計算群體中各個個體在下一代群體中的期望生存數目N。

（2） 用N的整數部分確定各個對應個體在下一代群體中的生存數目。

（3） 用N的小數部分對個體進行降序排列，順序取前M個個體加入到下一代群體中。至此可完全確定出下一代群體中M個個體。

6、無回放余數隨機選擇：可確保適應度比平均適應度大的一些個體能夠被遺傳到下一代群體中，因而選擇誤差比較小。

7、均勻排序：對群體中的所有個體按期適應度大小進行排序，基於這個排序來分配各個個體被選中的概率。

8、最佳保存策略：當前群體中適應度最高的個體不參與交叉運算和變異運算，而是用它來代替掉本代群體中經過交叉、變異等操作後所產生的適應度最低的個體。

9、隨機聯賽選擇：每次選取幾個個體中適應度最高的一個個體遺傳到下一代群體中。

10、排擠選擇：新生成的子代將代替或排擠相似的舊父代個體，提高群體的多樣性。

三、交叉

遺傳演算法的交叉操作，是指對兩個相互配對的染色體按某種方式相互交換其部分基因，從而形成兩個新的個體。

適用於二進制編碼個體或浮點數編碼個體的交叉運算元：

1、單點交叉（One－pointCrossover）：指在個體編碼串中只隨機設置一個交叉點，然後再該點相互交換兩個配對個體的部分染色體。

2、兩點交叉與多點交叉：

（1） 兩點交叉（Two－pointCrossover）：在個體編碼串中隨機設置了兩個交叉點，然後再進行部分基因交換。

（2） 多點交叉（Multi－pointCrossover）

3、均勻交叉（也稱一致交叉，UniformCrossover）：兩個配對個體的每個基因座上的基因都以相同的交叉概率進行交換，從而形成兩個新個體。

4、算術交叉（ArithmeticCrossover）：由兩個個體的線性組合而產生出兩個新的個體。該操作對象一般是由浮點數編碼表示的個體。

四、變異

遺傳演算法中的變異運算，是指將個體染色體編碼串中的某些基因座上的基因值用該基因座上的其它等位基因來替換，從而形成以給新的個體。

以下變異運算元適用於二進制編碼和浮點數編碼的個體：

1、基本位變異（SimpleMutation）：對個體編碼串中以變異概率、隨機指定的某一位或某幾位僅因座上的值做變異運算。

2、均勻變異（UniformMutation）：分別用符合某一范圍內均勻分布的隨機數，以某一較小的概率來替換個體編碼串中各個基因座上的原有基因值。（特別適用於在演算法的初級運行階段）

3、邊界變異（BoundaryMutation）：隨機的取基因座上的兩個對應邊界基因值之一去替代原有基因值。特別適用於最優點位於或接近於可行解的邊界時的一類問題。

4、非均勻變異：對原有的基因值做一隨機擾動，以擾動後的結果作為變異後的新基因值。對每個基因座都以相同的概率進行變異運算之後，相當於整個解向量在解空間中作了一次輕微的變動。

5、高斯近似變異：進行變異操作時用符號均值為P的平均值，方差為P2的正態分布的一個隨機數來替換原有的基因值。

『叄』 遺傳度是怎麼計算的

遺傳度()的概念：多因子遺傳病中，易患性高低受環境因素和環境因素共同影響，其中遺傳因素即高危基因在決定該疾病中所起作用的大小，稱為遺傳度或遺傳力（Heritability），一般用百分率來表示。二、Falconer法的使用基於一定條件，其基本假設為：（1）某種研究目標疾病為多因子遺傳病，其在個體的發病概率率取決於該隔日的對該疾病的易患性，當某個體該疾病的易患性高於某個值時，該個體會出現研究疾病的臨床表現。而這個易患性在個體是難以測量的，只能通過他們婚後的子女研究目標疾病的發病情況作出大概估計；在群體中，可以通過該群體現患率（易患性超過閾值部分）估計該群體易患性平均值高低。（2）一般人群一般人群對研究的某種疾病易患性為正態分布，而病人親屬中的易患性亦為正態分布；而且病人親屬中現患率大於一般人群的現患率。因此，在病人親屬這個特殊人群中的易患性平均值比一般人群易患性平均值更接近閾值。遺傳度的計算方法假設：A=樣本中的患病人數；N=樣本含量；q=頻率=A/N；p=1-q；X=閾值距離總體均數的正態離差；a=患者的均值與群體均值的離差；b=親屬和先證者之間的回歸系數(個人感覺應該是logistic回歸系數，如有差錯請大家指出)；下標」g」和「ra」分別表示一般人群和患者親屬。

『肆』 關於遺傳演算法

遺傳演算法（Genetic Algorithm，簡稱GA）是美國 Michigan大學的 John Golland提出的一種建立在自然選擇和群體遺傳學機理基礎上的隨機、迭代、進化、具有廣泛適用性的搜索方法。現在已被廣泛用於學習、優化、自適應等問題中。圖4-1 給出了 GA搜索過程的直觀描述。圖中曲線對應一個具有復雜搜索空間（多峰空間）的問題。縱坐標表示適應度函數（目標函數），其值越大相應的解越優。橫坐標表示搜索點。顯然，用解析方法求解該目標函數是困難的。採用 GA時，首先隨機挑選若干個搜索點，然後分別從這些搜索點開始並行搜索。在搜索過程中，僅靠適應度來反復指導和執行 GA 搜索。在經過若干代的進化後，搜索點後都具有較高的適應度並接近最優解。

一個簡單GA由復制、雜交和變異三個遺傳運算元組成：

圖4-2 常規遺傳演算法流程圖

『伍』 生物必修二遺傳概率計算方法

生物必修二中遺傳概率的計算方法， 常用的有乘法定理和加法定理 。

『陸』 生物遺傳學概率計算有什麼技巧

一、分離規律的計算核心內容:
1、成對的遺傳因子(基因)在形成配子時,分離,進入不同的配子 如Aa會分離,進入不同的配子.既某配子含A或a的概率是50%
2、受精時,雌雄配子的結合是隨機的 如雄親本的A配子,雄的a配子與雌親本A配子a配子的結合是隨機的,概率是 雄親本的A配子+雌親本A配子,雄親本的A配子+雌親本a配子,雄的a配子+雌親本A配子,雄的a配子+雌親本a配子.各佔25%(即都是50%*50%)的概率
二、自用組合規律的計算核心內容
1、遵循分離規律概率(分離,受精隨機)
2、兩對遺傳因子(基因)在形成配子時(減數分裂1)分離的方向是隨機的,產生配子的概率是AB,Ab,aB,ab各佔25%3如三對以上遺傳因子(基因)在形成配子時則可類推.
三、群體遺傳的計算
1、基因頻率與基因型頻率的概念(書上有P117頁)
2、遵循遺傳平衡定律:AA=A基因頻率的平方,Aa=2*A基因頻率*a基因頻率,aa=a基因頻率的平方,且三者之合為一(這個比較常用,你可以找幾個題練練手)
四、伴性遺傳的計算
1、同樣遵守分離,自由組合規律,也遵守遺傳平衡定律
2、特殊情況要注意:Y染色體上的顯性遺傳基因只用男性有,X染色體上的顯性遺傳基因女患者多於男性,Y染色體上的隱性遺傳基因無表達機會,X染色體上的隱性遺傳基因交叉遺傳(外公通過女兒傳給外孫)X染色體上的基因頻率,與外染色體的基因頻率計算與常染色提有所不同.上述說的只是基因概率的計算,考試的時候經常考表現型的概率計算,它是以基因概率為基礎的,這方面要在練習中摸索自己的經驗.
五、最後
遺傳概率計算能力的提高,依賴於做題,如這方面欠缺,建議你每天做幾道,可以先從自由組合開始,然後再做伴性遺傳的,基因頻率的,還有綜合的.相信一星期後你會有頓悟的感覺,且遺傳是高考必考的,現在補,來的及!

『柒』 基本的遺傳演算法

在許多實際應用領域，無論是工程技術科學還是社會經濟科學中，都會遇到全局最優化問題^{[53，56～59，61]}，這一類問題大多數可以形式化為一個對（S，f）的尋優問題，其中 S⊂R ⁿ 是 R ⁿ 中的有界集，f∶S→R是 n 維實值函數。所要求解的問題就是要找到一點 x _best∈S，使得 f（x_best）是 S 上的全局最優解，可以是極大值或極小值。以極小值為例，即求一點 x _min∈S，滿足

含水層參數識別方法

盡管人們對這類問題進行了大量的研究，但得到的成績仍不能令人滿意，目前只能解決一些簡單的問題。對於更復雜的全局最優化問題，通常是利用數值解法，但許多數值解法都不能找到最優解，只是返回一個接近於全局最優的值。

全局最優化數值方法可以分為兩大類：確定性演算法和隨機演算法。在隨機演算法中，最優化步驟在一定程度上依賴於概率事件，它排除了確定性演算法中的一個最大障礙——預先詳細說明一個問題的全部特徵並針對問題的特徵決定演算法應採用的對策。與常規的優化演算法相比，遺傳演算法有可能在更大的范圍內探尋問題潛在的解。確定性演算法沒有用到概率信息。只有當對S上進行窮舉搜索及對f規定附加的假設條件下，演算法才能找到全局最優解。實行窮舉搜索在很多情況下（如實數解）是不可能的，因此多採用對f規定附加的假設條件，這必然影響到最終解的可靠性。在這些演算法中，搜索速度越快的演算法往往意味著需要對f做更多的假設，或者不能保證搜索成功。與此相對照，許多隨機演算法都可以證明在概率意義下漸近收斂到全局最優解，即這些演算法保證以概率1漸近收斂，而且隨機演算法的計算結果一般要優於那些確定性演算法的結果。遺傳演算法就是其中具有代表性的隨機演算法。

常用的遺傳演算法操作有選擇（Selection）、交叉（Crossover）、變異（Mutation）。復制是直接將個體的代碼進行拷貝形成新個體。下面就選擇、交叉與變異操作做一介紹。

7.3.1 選擇過程

選擇過程是以旋轉賭輪Pop-Size次（種群規模，即群體中個體的總個數）為基礎，每次旋轉都為新的種群選擇一個染色體。首先計算出個體i被選擇的概率P_i，優秀的染色體其選擇概率大，然後根據選擇概率的大小將一個圓盤分為Pop-Size個扇形，每個扇形的中心角的大小為2πP_i。

每次進行選擇時，先選擇賭輪邊界旁一個不動的參考點，賭輪隨機地轉動，若不動點停留在扇形j內，則選擇個體j。個體的適應值越大，被選擇的概率越大，從而其染色體被遺傳到下一代的概率越大。

賭輪式選擇的特點是對於種群內的所有個體，無論其適應值大小，都有被選擇的機會。適應值大的個體被選擇的概率大，適應值小的個體被選擇的概率小。經過選擇後適應值大的個體在種群中的數目會增加。這正體現了適者生存的原則。

7.3.2 交叉操作

交叉操作是個有組織的、隨機的字元串間的信息交換過程。假設群體G（t）是模式庫。歷史信息以每個模式實例數目的形式存儲於G（t）中。交叉作用產生模式庫中已有模式的新的實例，同時也產生新的模式。簡單的交叉操作分為三步：

（1）從當前群體G（t）中選擇兩個個體結構：A=a₁a₂…a_n，B=b₁b₂…b_n；

（2）以交叉概率 P_c 隨機選擇一個整數 x∈{1，2，…，n}；

（3）交換A和B中位置x右邊的元素，產生兩個新的個體結構：a₁a₂…a_xb_x+1…b_n和b₁b₂…b_xa_x+1…a_n。

7.3.3 變異操作

對於群體G（t）中的每個個體A=a₁a₂…a_n，簡單的變異操作過程如下：

1）每個位置的字元變數都有一個變異概率P_m，各位置互相獨立，通過隨機過程選擇發生變異的位置x₁，x₂，…，x_n。

2）產生一個新個體結構 B=a₁ a₂……a_n ，其中是從對應位置x ₁ 的字元變數的值域中隨機選擇的一個取值。類似地，，…，可以同樣得到。

如果每個位置的變異概率等於P_m，那麼模式H（階為o（H））發生一次或多次變異的概率是

含水層參數識別方法

遺傳操作除了有選擇、交叉、變異等運算元外，還有染色體內部復制（Intrachromo-somal plication）、刪除、易位（Translocation）、分異（Segregation）等。

『捌』 遺傳身高計算方法

遺傳身高計算方法 發表時間：2009-02-09 發表者：蕪湖市第一人民醫院兒科 潘嘉嚴 兒童的身材受到他們雙親身高的影響，根據雙親身高計算兒童的遺傳身高或稱為靶身高已在兒童臨床得到廣泛應用。CMH(the Corrected Midparental Height)方法，即父母平均身高十6.5 cm為男孩靶身高，父母平均身高一6.5 cm為女孩靶身高。該方法從上世紀70年代起被普遍使用。具體公式是： 男孩=（父身高+母身高+13）/2±8CM 女孩=（父身高+母身高-13）/2±8CM 由於我國近年來生活水平提高明顯，上一輩有很多可能因營養不足或有疾病時未得到更及時、有效治療而使身高增長充分，現在的孩子成年身高常常高於遺傳身高。且CMH法把遺傳因素佔到100%，這明顯不合理。同時，遺傳身高近年來還發現有回歸現象，即：夫妻雙方都較高的，孩子遺傳身高會比計算出的略低，夫妻雙方都較矮的，遺傳身高會比計算出的略高。因為高個找高個結婚、矮個子找矮個子結婚更常見，而人類並不因這種現象而出現身高差異逐漸加大。 部分學者通過充分研究，提出了新的靶身高計算方式，FPH(the Final Height for Parental Height)法，經國內部分地區驗證，證明更為准確、合理，因而目前已經替代前面所說的CMH法。 FPH法的公式是： 男孩=45.99+0.78×（父身高+母身高)÷2±5.29CM 女孩=37.85+0.75×（父身高+母身高)÷2±5.29CM 這里需要提醒大家注意的是: ①計算公式是經過統計學處理後得出,只有約95%的正常人在此范圍內,不一定人人能達到； ②計算出的中間值後面還有±5.29CM，也就是說可能高於或低於中間值； ③遺傳身高只是完全正常人應該達到的成年身高范圍，不代表所有孩子都能達到。千萬不要因計算出的遺傳身高尚可而不重視孩子的生長、發育情況。矮小也是一種疾病，時常會有父母身高都高者孩子矮小，因為父母身高高，並不能代表孩子絕對不會有生長素缺乏等疾病； ④父母身高較矮者也不要過於悲觀。由於父母過去都未進行過任何矮小方面的檢查與治療，不代表家族中肯定沒有影響身高的疾病，有些疾病現在可以檢查，並可得到有效治療，如果孩子也有相同疾病，完全可能通過檢查、治療達到比較理想的終身高； ⑤由於現在生活水平提高，食品中性激素時常難免，保健品中性激素更為泛濫，加上不良信息過多刺激，孩子發育普遍提前，性早熟也明顯增多。不能因為孩子身高尚可或較高而不重視孩子發育情況，性早熟時由於發育過早，身高常高於同齡人，但停止生長也早，將來身高反而可能更矮。一旦青春期結束，生長就會停止，再無治療可能。 ⑥預測成年身高最准確的方法是通過准確評估骨齡後預測。因為計算遺傳時只考慮父母身高，並不考慮孩子現身高和當時的骨齡。如果骨齡大於年齡，後期生長空間會較小，成年身高會較低，而骨齡小於年齡，則後期生長空間會較大，成年身高可能較高。由於骨齡是人的生理年齡，應該與現實際年齡相符，如果相差過大，常常是因疾病造成，需要及時檢查、治療。 ⑦首先在日本，現在也包括我國台灣地區和部分西歐國家，對所有生長期兒童、青少年每兩年免費拍一次骨齡片，以便及時發現生長發育方面的異常情況，從而及時治療，值得國人借鑒。

『玖』 遺傳身高的計算公式

有兩種公式：

①CMH法：

男孩遺傳靶身高=( 父親身高+母親身高 )/2 + 6.5CM

女孩遺傳靶身高=( 父親身高+母親身高 )/2 - 6.5CM

該方法從上世紀70年代起被普遍使用。具體公式是：

男孩=（父身高+母身高+13）/2±8CM

女孩=（父身高+母身高-13）/2±8CM

②FPH法：

男孩=45.99+0.78×（父身高+母身高)÷2±5.29CM

女孩=37.85+0.75×（父身高+母身高)÷2±5.29CM

注意的是:

①計算公式是經過統計學處理後得出,只有約95%的正常人在此范圍內,不一定人人能達到；

②計算出的中間值後面還有±5.29CM，也就是說可能高於或低於中間值；

③遺傳身高只是完全正常人應該達到的成年身高范圍，不代表所有孩子都能達到。千萬不要因計算出的遺傳身高尚可而不重視孩子的生長、發育情況。矮小也是一種疾病，時常會有父母身高都高者孩子矮小，因為父母身高高，並不能代表孩子絕對不會有生長素缺乏等疾病；

④父母身高較矮者也不要過於悲觀。由於父母過去都未進行過任何矮小方面的檢查與治療，不代表家族中肯定沒有影響身高的疾病，有些疾病現在可以檢查，並可得到有效治療，如果孩子也有相同疾病，完全可能通過檢查、治療達到比較理想的終身高；

⑤由於現在生活水平提高，食品中性激素時常難免，保健品中性激素更為泛濫，加上不良信息過多刺激，孩子發育普遍提前，性早熟也明顯增多。不能因為孩子身高尚可或較高而不重視孩子發育情況，性早熟時由於發育過早，身高常高於同齡人，但停止生長也早，將來身高反而可能更矮。一旦青春期結束，生長就會停止，再無治療可能；

⑥預測成年身高最准確的方法是通過准確評估骨齡後預測。因為計算遺傳時只考慮父母身高，並不考慮孩子現身高和當時的骨齡。如果骨齡大於年齡，後期生長空間會較小，成年身高會較低，而骨齡小於年齡，則後期生長空間會較大，成年身高可能較高。由於骨齡是人的生理年齡，應該與現實際年齡相符，如果相差過大，常常是因疾病造成，需要及時檢查、治療；

⑦首先在日本，現在也包括我國台灣地區和部分西歐國家，對所有生長期兒童、青少年每兩年免費拍一次骨齡片，以便及時發現生長發育方面的異常情況，從而及時治療，值得國人借鑒。

(9)遺傳計算常用方法擴展閱讀：

影響兒童靶身高的遺傳關系主要有兩個，一是兒童成年身高與MPH的關系，二是選型婚配的影響（父母身高之間的相關系數），在2000年，Cole證明可以使用SDS（Standard deviation score，標准差得分）來代替傳統的父母身高中值，並提出了以選型婚配和回歸偏差修正的條件靶身高（conditional target height，cTH)方法。

由一人群得出的兒童靶身高預測公式是否能夠應用於其它人群，首先取決於不同人群兒童的平均身高、標准偏差以及MPH的一致性。其次，由於不同人群兒童及其雙親生長環境的差異，兒童成年身高和MPH之間相關程度也會有所不同。

例如，瑞典男女兒童成年身高與MPH的相關系數均為0.59，父母身高之間的相關系數為0.27；中國兒童成年身高與MPH的相關系數則分別為男0.53、女0.60，父母身高的相關系數為0.39。

靶身高所預測的是兒童的遺傳身高，並未涉及預測時個體兒童特異的環境影響因素；而經常使用的成年身高預測方法依據預測時兒童的身高和骨齡，主要反映了兒童所受到的環境因素（疾病、營養狀況等）的影響。因此，在臨床上常常將兩種預測方法結合起來使用，為兒童的疾病診斷與治療監測提供依據。

在中國香港、上海、台灣曾經對兒童靶身高進行了研究。Luo et al.的認為瑞典兒童的靶身高模型可應用於中國香港兒童。而在中國上海和台灣兒童的應用比較研究中，瑞典兒童的靶身高模型並不適用於中國兒童，但是這兩項研究的樣本量較小。

因此，《中國人手腕骨發育標准-中華05》課題組依據中國五城市兒童樣本，以CMH、FPH、cTH方法的原則重新計算預測公式，觀察了不同公式對中國兒童靶身高的預測效果。

參考資料：

靶（遺傳）身高_網路