基于多层量子粒子群优化算法和Toy模型的蛋白质结构预测研究

蛋白质结构预测,作为计算生物学基本问题之一,是个典型的NP难解问题.研究表明合理运用算法,借助物理模型,可用于预测蛋白质结构.Toy模型就是较为简单的类,其势能最低状态的确定则为结构预测的关键所在.量子粒子群算法是典型的智能优化算法,己广泛应用于多种系统寻优问题中.本篇文章提出使用1种改进的量子粒子群优化算法,并结合Toy模型,进行蛋白质结构预测.算法的改进在于对每次迭代的粒子,排序之后将种群分成精英子群、开采子群和勘探子群来区别处理,并通过实验进行运算和预测.结果表明运用改进的量子粒子群优化算法来进行蛋自质折叠结构预测是可行的且高效的.     

一种协调勘探和开采能力的粒子群算法

提出一种新的协调勘探和开采能力的粒子群优化算法. 该算法将种群分为随机子群和进化子群, 随机子群增加了算法全局解空间的勘探能力, 在运行过程中通过随机子群进化信息生成解优胜区域指导进化粒子向着最优解子空间逼近. 为了提高算法收敛速度, 算法只在进化子群进入收敛阶段时才对其进行指导, 以防止增加种群多样性导致算法开采能力下降的问题. 将此算法与其他改进粒子群算法进行比较, 实验结果表明, 该算法有较好的全局收敛性, 不仅能有效地克服其他算法易陷入局部极小值的缺点, 而且算法收敛速度和稳定性都有显著提高.     

多种群遗传算法在蛋白质三维结构预测中的应用

通过蛋白质的氨基酸序列预测其空间结构可归结为一个多变量多极值的全局优化问题。本文在三维AB非格模型的基础上,采用多种群遗传算法来预测蛋白质三维结构。它结合了不同种群的全局搜索和局部搜索能力,较好地克服了传统的遗传算法易陷入局部最优、收敛慢等缺点。在目前广泛使用的斐波纳契序列上进行实验,结果表明该算法具有良好的性能和精度。     

动态环境下基于预测机制的多种群进化算法

提出一种动态环境下基于预测机制的多种群进化算法,将预测机制引入到动态进化算法的研究中,对算法所得的某些信息进行记忆,根据记忆序列构建预测模型,当环境发生变化时能够通过预测模型对动态环境进行预先判断.算法采用自组织侦查的多种群策略,多个子种群对搜索子空间进行局部搜索,主种群用于确定新的搜索子空间.在子种群的自适应调整、子种群间的拥挤操作等方面进行了改进,根据子种群所跟踪的最优解位置信息构建预测模型,当环境发生变化时通过预测及子种群的进化实现对动态环境的自适应跟踪.以移动峰问题为测试对象,实验结果表明新算法具有良好的处理动态问题的能力.     

动态调整子种群个体的差分进化算法

提出一种新的动态调整子种群个体数目的并行差分进化算法。基于种群个体的适应度值,该算法将种群个体分为三个子种群,分别用于全局搜索、局部搜索及二者的结合。在进化过程中,根据不同的搜索阶段自适应动态调整各子种群个体的数目。另外,不同子种群分别采用不同的变异策略,以协调算法的勘探和开采能力。数值实验结果表明该算法具有较好的寻优效果。     

一种基于折叠模式识别的蛋白质结构片段库构建方法

片段组装方法是从头预测蛋白质三维结构的一类重要方法.现有的基于序列相似的片段库质量限制了低同源目标的预测精度,所以寻找与天然结构更加拟合的已知蛋白质结构片段来构建高质量的片段库是片段组装方法的一项重要任务.本文利用SCOP数据库中的三维结构相似性,对SCOP的折叠模式进行预测,提取预测出的相同折叠模式的已知蛋白质结构的信息,生成保存残基信息的数据库(Vall库).然后将目标蛋白质序列分割成的残基片段与Vall库进行综合评价后生成一种新的片段库,该片段库可以用于一个骨架预测并行蚁群算法.将本文方法与蛋白质结构预测程序RosettaAbinitio的基于序列的片段库进行了比较,实验结果表明采用本文方法的片段库可以找到更接近天然构象的蛋白质结构.     

改进的牵引移动的蚁群算法在2D HP模型中的应用

蛋白质折叠问题就是从氨基酸序列中预测蛋白质的构象,该问题是生物信息学的一个突出问题。主要研究二维HP格点模型,它是用于模拟蛋白质折叠问题的一个具有代表性的简化模型,并且将蚁群算法用于求解该二维HP蛋白质的折叠问题。此外,在局部搜索机制中引入一种改进的牵引移动方法,这是一个提高蛋白质构象的有效方法。实验结果表明,针对较长的氨基酸序列,改进的带牵引移动的蚁群算法(ACO+)比ACO能够获得更低能量的构象,证明了所提出的改进蚁群算法是预测蛋白质结构的有效方法。     

一种新的约束优化遗传算法及其工程应用

提出一种新的用于求解约束优化问题的遗传算法,该算法利用佳点集方法初始化个体以维持种群的多样性.在进化过程中,通过可行解与不可行解算术交叉对问题的决策空间进行搜索;对可行种群与不可行种群分别采用高斯变异和柯西变异,从而协调算法的勘探和开采能力.几个标准测试问题的实验结果表明该算法的有效性;应用新算法求解两个工程优化设计问题,结果表明该算法的可行性.     

Toy模型蛋白质折叠问题的随机扰动粒子群解法

Toy模型蛋白质折叠问题是一个计算生物学中典型的NP难题。提出了一种随机扰动粒子群结合爬山优化的算法,应用二维Toy模型进行蛋白质折叠结构预测,在Fibonacci测试序列及真实蛋白质序列上的测试结果验证了算法的良好性能。     

自适应协同进化蝙蝠算法

蝙蝠算法作为一种新型元启发式进化算法,不可避免在进化过程中存在陷入局部极值的危险.为了有效提高蝙蝠算法的进化性能,提出一种自适应协同进化的蝙蝠算法(ACEBA).为保证算法具有良好的进化结构,提出采用自适应进化种群结构,使得种群结构能够依据种群多样性在集中式结构与分布式结构之间进行切换.为协调实现主种群的勘探和子种群的开采,引入优良个体解对速度和位置进行更新,并在主种群和子种群内采用相适应的更新方式,同时将原有固定参数推广到自适应变化,并对蝙蝠行为的多普勒效应进行补偿.最后对所提出的算法进行收敛性分析和仿真验证,并与相关算法进行对比分析,充分验证了算法的正确性和有效性.     

A modified particle swarm optimization for economic dispatch with non-smooth cost functions

This paper presents a new approach to economic dispatch (ED) problems with non-smooth cost functions using a particle swarm optimization (PSO) technique. The practical ED problems have non-smooth cost functions with equality and inequality constraints, which makes the problem of finding the global optimum difficult when using any mathematical approaches. Since, standard PSO may converge at the early stage, in this paper, a modified PSO (MPSO) mechanism is suggested to deal with the equality and inequality constraints in the ED problems. To validate the results obtained by MPSO, standard particle swarm optimization (PSO) and guaranteed convergence particle swarm optimization (GCPSO) are applied for comparison. Also, the results obtained by MPSO, PSO and GCPSO are compared with the previous approaches reported in the literature. The results show that the MPSO produces optimal or nearly optimal solutions for the study systems.     

混沌时间序列的混合粒子群优化预测

提出一种混合粒子群优化算法,即在改进粒子群优化算法全局搜索模型参数的基础上,利用梯度下降法进一步确定径向基神经网络模型参数,以提高网络的收敛精度和网络性能.采用基于RBFNN的混合粒子群优化算法进行离散Henon和连续Mackey-Glass混沌时间序列预测仿真,结果表明该算法能快速精确地预测混沌时间序列,是研究复杂非线性动力系统辨识和控制的一种有效方法.     

引入多级扰动的混合型粒子群优化算法

为解决粒子群优化算法易陷入局部最优值的问题,提出一种引入多级扰动的混合型粒子群优化算法.该算法结合两种经典改进粒子群优化算法的优点,即带惯性参数的标准粒子群优化算法和带收缩因子的粒子群优化算法,在此基础上,引入多级扰动机制：在更新粒子位置时,引入一级扰动,使粒子对解空间的遍历能力得到加强;若优化过程陷入“局部最优”的情况,则引入二级扰动,使得优化过程继续,从而摆脱局部最优值.使用了6个测试函数——Sphere函数、Ackley函数、Rastrigin函数、Styblinski-Tang函数、Duadric函数及Rosenbrock函数来对所提出的混合型粒子群优化算法进行仿真运算和对比验证.模拟运算的结果表明：所提出的混合型粒子群优化算法在对测试函数进行仿真时,其收敛精度和收敛速度都优于另外两种经典的改进粒子群优化算法;另外,在处理多峰函数时,本算法不易被局部最优值所限制.     

混合拓扑结构的粒子群算法及其在测试数据生成中的应用研究

粒子群算法(PSO)的拓扑结构是影响算法性能的关键因素,为了从根源上避免粒子群算法易陷入局部极值及早熟收敛等问题,提出一种混合拓扑结构的粒子群优化算法(MPSO)并将其应用于软件结构测试数据的自动生成中。通过不同邻域拓扑结构对算法性能影响的分析,采用一种全局寻优和局部寻优相结合的混合粒子群优化算法。通过观察粒子群的多样性反馈信息,对每一代种群粒子以进化时选择全局拓扑结构模型(GPSO)或局部拓扑结构模型(LPSO)的方法进行。实验结果表明,MPSO使得种群的多样性得到保证,避免了粒子群陷入局部极值,提高了算法的收敛速度。     

改进的免疫粒子群优化算法预测RNA二级结构

针对RNA二级结构预测问题,在SetPSO算法的基础上提出了一种改进的免疫粒子群优化算法,根据RNA折叠的特点,启用免疫记忆算子增加粒子群多样性,有效防止了原方法易陷入局部最优的缺陷。仿真结果表明改进算法能在更短的时间内达到更高的预测精度。     

基于改进PSO算法的过热汽温神经网络预测控制

将改进粒子群优化算法(MPSO)融合到神经网络预测控制中,提出了基于MPSO-RBF混合优化策略的模型预测器,以及基于MPSO算法的非线性优化控制器.针对过热汽温的控制,构造了基十神经网络预测控制的串级控制系统,并就该系统在实现时所涉及到的预测模型、滚动优化算法、反馈校正、仿真参数设置问题等进行了分析,给出了MPSO算法的粒子编码、操作设计和混合优化算法步骤.对某超临界600 MW直流锅炉高温过热器的过热汽温控制,进行了仿真试验,结果表明该方法具有良好的性能指标和应用前景.     

一种新形式的微粒群算法

标准微粒群算法在优化多峰、多维的复杂函数时,其效果并不理想,容易早熟收敛。为了改进微粒群算法处理此类问题的性能,提出了一种新的微粒群算法。该算法将标准微粒群算法迭代公式中的群体最优位置用个体最优位置的中心代替,有利于增强群体的多样性,避免早熟收敛,同时保持了迭代公式的简洁形式。3个常用测试函数的数值模拟表明,新的微粒群算法较标准微粒群算法在寻优能力上有明显的提高。     

改进的粒子群算法及收敛性分析

针对PSO算法对多峰值函数搜索易陷入局部极值点的缺点,提出一种改进的粒子群(MPSO)算法。MPSO算法采用逃逸策略和免疫学习策略来保证种群多样性,使算法能有效进行全局搜索。并讨论MPSO算法的收敛性,证明其能以概率1全局收敛。最后用3个常用的测试函数进行仿真,实验结果表明MPSO算法比PSO算法有更好的收敛性和更快的收敛速度。     

高斯-柯西变异算子优化的LSSVM模型研究

论文针对标准量子粒子群算法易陷入局部极值的问题,提出一种改进的量子粒子优化最小二乘支持向量机的方法。利用高斯变异数的局部开发能力以及柯西变异数的全局搜索能力,在量子粒子群优化算法中,引入高斯-柯西变异算子,帮助算法跳出局部极值。并利用该优化模型进行光伏发电量预测实验,对优化的最小二乘支持向量机模型的预测结果与其他模型预测结果进行比较,结果表明:基于高斯-柯西变异算子的量子粒子群优化的最小二乘支持向量机对光伏发电量的预测具备较好的收敛速度和跳出局部收敛困境的能力。     

全变异粒子群优化算法

针对粒子群优化算法容易早熟、收敛精度低等缺点,通过采用全变异策略、最大搜索速度自适应调整等策略得到了一种全变异粒子群优化算法,其中的全变异策略是在陷入早熟的条件下全体粒子参加变异,并且当把粒子看成染色体时,每一个基因等概率地参加变异,可以克服算法的早熟而继续优化,提高了算法的收敛精度。对Shubert函数进行实验的结果表明了算法的有效性。