主持：唐晨
参会老师：安宁，杨矫云，阙夏
参会学生：程坤、段优、郭思伊、韩朋、景波、江思源、李雨龙、刘杰、刘硕、马蒙、明鉷、唐晨、滕越、肖勇博、赵春阳
时间：2018.12.26
摘要
围绕帕金森病患者步态特征、遗传算法及相关衍生算法、步态特征和机器学习模型协同优化研究进行介绍，同时对实验结果进行展示和分析，强调算法在辅助诊断中的优势。
1 绪论
1.1 论文研究背景和意义
介绍帕金森病患者，步态分析的相关内容，说明帕金森病患者步态分析在辅助诊断中的作用以及本文协同优化方法对辅助诊断效果的提升。
1.2 国内外研究现状
对于国内外研究人员在帕金森病患者步态研究方面的工作进行概括和介绍。
1.3 论文主要工作和章节安排
本文使用的协同优化方法对患者特征的有效去除，和提高分类精度。
对本文章节的规划进行说明。
2 帕金森病患者步态特征
2.1 步态特征介绍
介绍使用到的患者数据集，以及数据集里包含的患者步态特征，列出相应的数据表格。
2.2 基于U型电子步道的患者步态特征收集
U型电子步道系统是本文数据的收集平台，简要介绍步道系统的相关情况，包括采集人员，采集方式和采集目的。
2.3 步态特征的预处理
对使用到的数据集中的特征进行预处理，介绍除了特征选择外的预处理步骤，主要为标准化和去量纲。
2.4 本章总结
3 基于GA的步态特征与SVM参数协同优化研究（小论文）
3.1 遗传算法和SVM介绍
简要介绍遗传算法和SVM相关内容，对文中使用遗传算法的结构进行说明，列出算法流程图。
3.2 步态特征和SVM参数协同优化
说明患者步态特征和SVM参数系统优化方法，主要从染色体编码，适应度函数，参数选取方面进行介绍。
3.3 实验设计和评估指标
介绍实验的步骤和流程，同时对于实验使用到的评估指标进行说明，列出相应的公式。
3.4 实验结果和分析
对实验结果进行介绍和分析，强调协同优化的优势，列出图表。
3.5 本章总结
4 基于启发式算法（蚁群算法）的步态特征和机器学习参数协同优化
4.1 蚁群算法介绍
对蚁群算法内容进攻介绍，列出算法流程图。
4.2 实验设计
4.3 实验结果和分析
4.4 本章总结
5 总结与展望
对全文内容进行概括总结，展示结果，强调优势。同时对未来工作进行进一步的展望。
Adaptation in Natural and Artificial System学习笔记
来源：Holland J H . Adaptation in Natural and Artificial System[M]// Adaptation in natural and artificial systems. MIT Press, 1992.
Adaptation in Natural and Artificial System是由作者J H Holland撰写的关于自然和人工系统中的适应性的一本书籍，首次出版是在1975年，随后在1992年对书籍进行了修订。现在被普遍使用的遗传算法理念最早就是出现在这本书中。
全书内容一共分为十章，具体细节为：第一章总体设定，介绍适应性系统的相关内容；第二章和第三章分别为框架及例证，提供了适用于遗传学，经济学，游戏，搜索，模式识别，统计推断，控制，功能优化和中枢神经系统的框架说明；第四章介绍调查和构建有效自适应计划的工具；第五章实验的最佳配置，制定了衡量效率的标准；第六章为繁殖计划和遗传算子；第七章为遗传计划的稳健性，构建了它们的稳健性；第八章为适应编码和表示，研究了使遗传计划能够使用预测模型灵活利用典型环境提供的大量信息的机制；第九章和第十章分别为概述以及过渡期和内容介绍。
作者从几个问题引入话题，问题涉及生物学、经济学、计算机学（如何对计算机进行编程，以便通过指定“要做什么”而不是“如何做”来建立解决问题的能力？）和控制学，在对问题分析过后得到“适应”这一方法。随后，作者通过对遗传构成的变化来研究生物适应性，提出生物是由其染色体中的基因决定的特征的混合物，而同一基因的不同等位基因产生相关蛋白质，这反过来又产生与该基因相关的表达特征的变异（此处等位基因可引申到机器学习中的特征选择，不同等位基因决定生物的性状，而不同的编码决定特征的选取，等位基因可以表征为1或0，表示特征的选取或不选取）。接着是对适应度的分析，适应度是遗传算法中个体优异程度的评估指标，通过提出问题：先前样本的结果如何影响当前的抽样计划？得出适应度是决定适应过程的基本特征。种群规模作为观察样本值（表现）的概要，可以观察到的未来种群只能通过当前种群中的个体繁殖来实现，种群规模与自适应过程具有相同的关系，了解种群规模结构或状态能够确定未来种群，而无需关于系统过去的任何其他信息。 （也就是说，到达相同种群规模的不同采样序列将对未来产生完全相同的影响。）最后，是对遗传算子的介绍。通过不改变种群规模和编码时不将等位基因靠的很近，来确保优异后代的基因型，同时让后代通过简单的随机变异（与枚举实际上是相同的过程）产生新变体。至此，遗传算法相关的三个核心内容基因编码，种群规模，遗传算子都已经明晰。
第九章概述部分有几个计算机方面研究，让读者了解在特定背景下的整体概念，包括RS Rosenberg的遗传种群与生化特性的模拟（1967），RB Hollstien的人工遗传适应计算机控制系统（1971）， 和DR Frantz的非线性遗传自适应搜索（1972）。Richard Rosenber完成了对封闭的小种群规模的计算机研究，理论框架的制定仍处于早期阶段。他专注于种群规模与环境之间动态相互作用下基因型与表型之间复杂的关系。Roy Hollstien通过对遗传计划作为适应性控制程序进行广泛研究。Daniel Frantz专注于遗传计划的内部运作，观察种群规模对表现函数中依赖性的影响。
Adaptation in Natural and Artificial System内容十分充实且精深，我学习到的只是一小部分内容，已经让我获益匪浅。等以后闲暇时分，将会继续学习。