基于QPSO-SVM算法的SELDI-TOF质谱数据分析

生物信息学领域的微阵列分析、质谱数据分析等大规模机器学习问题的不断涌现,对已有的特征选择算法提出了严峻的挑战,迫切需要研究适应于高维小样本特征的、准确性和运行效率等综合性能较好的、新的特征选择算法。将基于量子粒子群算法(QPSO)与SVM结合,并将建立的诊断模型用于生物标记物的选择。实验结果表明,新的基于量子粒子群算法建立的模型不仅具有良好的预测精度,而且在速度上有大幅的提高。     

基于遗传算法的蛋白质质谱数据特征选择

针对蛋白质质谱数据在降维、分类及生物标记物识别过程中存在的问题,提出一种基于遗传算法的特征选择方法,介绍几种常用的相关策略,包括基于排列和精英保留的随机通用采样选择策略和基于自适应变肄率的均匀变异策略,给出2个适应度函数——封装器函数与多变元筛选器函数,将它们引入遗传算法中,并进行性能测试与比较。实验结果表明,基于封装器的遗传算法性能优于其他特征选择算法,而基于多变元筛选器的遗传算法性能优于单变元筛选器算法。     

基于ACO-SVM的软件缺陷预测模型的研究

针对传统软件缺陷预测模型的应用范围通常被局限在一定的子空间而影响其适用性和准确性的问题,文中利用支持向量机(SVM)的非线性运算能力和蚁群优化算法(ACO)的寻优能力提出了一种基于ACO-SVM的软件缺陷预测模型.文中首先对待预测的数据进行主成分分析降低数据的维数以提高运算速度,然后根据蚁群优化算法来计算最优的SVM参...     

基于粗糙集和蚁群算法的特征基因选择方法

特征基因选择在微阵列数据分析中占据着非常重要的作用,好的特征选择方法是提高基因表达数据的分类精度与分类速度的关键之一.联系蚁群算法和粗糙集理论在微阵列数据处理上的优势,文中结合粗糙集理论,对蚁群优化算法模型进行了改进,并将粗糙集的属性依赖度和属性重要度应用到蚁群算法的路径选择及评估中,提出一种新的基因选择方法.该方法实现简单,并可以比较快速地获得最优解,最终选择出较小的并且分类性能较强的特征基因子集.通过对基因数据集的仿真实验表明,该算法是有效可行的.     

基于蚁群优化算法的基因选择

将蚁群优化算法(ant colony optimization algorithm,ACO)引入基因选择领域,并用基因与类别的相关性分析所得值来初始化最优化问题,缩短了找寻最优解的时间;以基因子集整体的样本辨别能力与子集中基因之间的平均距离的线性表达作为目标函数,有利于在找到关键基因的同时消除冗余;同时,由于目标函数不采用分类准确度,大大降低了计算复杂度,提高了方法的灵活性和适应性。     

一种基于新的特征选择的海量网络文本挖掘算法研究

为了提高文本自动分类准确率,提出一种改进的蜂群优化神经网络的选择特征的文本数据挖掘算法.该算法将文本特征选择转换成一个多目标优化问题,以特征维数最少、分类正确率最高为选择标准,采用蚁群算法找到最优特征子集,最后神经网络建立文本自动分类器,进行仿真实验测试算法性能.仿真实验结果表明,提出的方法从高维文本最优文本特征,提高了文本自动分类的正确率和识别效率,是一种有效的网络文本挖掘算法.     

基于LabVIEW的共振增强双光子电离-飞行时间质谱数据采集系统

在用共振增强双光子电离-飞行时间质谱技术在线检测多相催化反应的实验过程中，需要建立一套高速数据采集、处理及分析系统。该系统软件部分用图形化编程语言LabVIEW编写，可以完成对飞行时间质谱及其峰面积实时采集，适合于连续监测气相反应的变化过程。本文介绍了该系统的硬件组成和软件设计，并在实验过程中得到了较好的应用。在实时检测甲烷无氧芳构化反应的实验中，观察到了催化反应产物苯在诱导期间的变化。     

基于ICA的卵巢癌质谱数据分析

卵巢癌蛋白质谱数据属于高通量数据,含有大量冗余信息,且许多重要信息都包含在高阶信息中,而独立成分分析可以从高阶信息中提取有用特征。将传统的独立成分分析融入卵巢癌蛋白质谱数据的特征提取中,并利用类信息机制监督独立成分分析过程。仿真实验结果表明,独立成分分析和监督式独立成分分析在卵巢癌蛋白质谱数据集研究过程中取得了良好的效果,识别率可达98%。     

基于特征比对算法的蛋白质质谱鉴定仿真

为了满足质谱鉴定领域的高通量、高准确度的需求,传统的人工鉴定方法不理想,准确性差.为了提高定量精度,提出了利用计算机仿真手段,实现蛋白质质谱快速准确性鉴定.根据分析蛋白质质谱鉴定原理,建立有关模型,然后采用特征比对的方法,对质谱数据进行特征提取和比对分析,设计适合于蛋白质质谱鉴定的特征比对算法,并进行鉴定仿真.仿真结果表明,利用特征比对质谱鉴定方法在鉴定速度及鉴定准确度方面优于传统的方法,验证了使用特征比对方法对蛋白质质谱鉴定的有效性,并为蛋白质鉴定系统优化设计研究提供参考.     

串联质谱的蛋白质序列鉴定技术综述

蛋白质组学的主要目的是鉴定出生物体内的蛋白质的种类和数量。为达到这个目的,人们开发了多种蛋白质鉴定算法,包括数据库搜索方法、De Novo方法、PST(肽段序列标签)方法和质谱数据库方法。首先介绍了质谱仪中肽段断裂机理的研究,以及相关的质谱鉴定方法,然后综述了当前常用的蛋白质鉴定方法,分析了这些方法的优缺点,最后提出了自己的见解和展望。     

基于优化蚁群算法的机器人路径规划

研究机器人导航中的路径规划问题,运用栅格法和图论思想建立环境模型,在该模型中通过蚁群算法进行路径寻优,提出用遗传算法的思想改进已有蚁群算法,即GAA算法。仿真实验结果表明,该算法能有效地提高机器人的路径搜索速度及路径优化、路径平滑等方面的指标。     

结合头脑风暴优化的混合蚁群优化算法

特征选择能够有效提升数据分类的性能。为了进一步提升蚁群优化（ACO）在特征选择上的求解能力,提出一种结合头脑风暴优化的混合蚁群优化（ABO）算法。该算法利用信息交流档案维护历史较好解,并通过基于松弛因子的时间最久优先方法动态更新档案。当ACO的全局最优解多次未更新时,采用基于Fuch混沌映射方法的路径-想法转换算子将档案中的路径解转换为想法解,并将其作为初始种群,通过头脑风暴优化（BSO）在更广阔的空间中搜索较好解。对所提算法在6组典型的二分类数据集上进行实验,分析了其参数敏感性,并与混合萤火虫粒子群优化（HFPSO）算法、粒子群优化与引力搜索算法（PSOGSA）以及遗传算法（GA） 这三种典型的演化算法进行对比。实验结果表明,相较于对比算法,所提算法在分类正确率上至少可提高2.88%~5.35%,在F1指标上至少可提高0.02~0.05,验证了所提算法的有效性和优越性。     

基于蚁群算法的非结构化P2P资源搜索机制

资源搜索是P2P技术的研究热点之一。该文针对现有P2P资源搜索算法消息开销大、搜索效率低等问题,提出一种基于蚁群算法的非结构化P2P资源搜索机制。利用蚂蚁信息素的正反馈原理,有效指导资源搜索路径的生成,将查询消息发送到可能存在目标的区域。仿真实验结果表明,该机制提高资源搜索命中率,减少冗余消息包,其搜索效果较好。     

一种基于ACO的K-medoids聚类算法

K-medoids算法作为聚类算法的一种,不易受极端数据的影响,适应性广泛,但是K-medoids聚类算法的精确度不稳定,平均准确率较低,用于实际的聚类分析时效果较差.ACO是一种仿生优化算法,其具有很强的健壮性,容易与其他方法相结合,求解效率高等特点.在K-medoids聚类算法的基础上,借鉴ACO算法的优点,提出了一种新的聚类算法,它提高了聚类的准确率,算法的稳定性也比较高.通过仿真实验,验证了算法的可行性和先进性.     

基于并行ACO算法的DNA杂交测序

针对求解DNA杂交测序（SBH）问题的相关算法存在解的精度不高及收敛速度慢等问题,建立SBH问题的数学模型,从中抽取启发式信息,提出一种改进的并行蚁群优化算法（IPACO）,并将其应用到DNA杂交测序问题中。仿真实验结果表明,该算法解的精度和收敛速度均优于普通串行蚁群算法、禁忌搜索算法和进化算法。     

基于多蚁群的并行ACO算法

通过改变蚁群优化(ACO)算法行为,提出一种新的ACO并行化策略——并行多蚁群ACO算法。针对蚁群算法存在停滞现象的缺点,改进选择策略,实现具有自适应并行机制的选择和搜索策略,以加强其全局搜索能力。并行处理采用数据并行的手段,能减少处理器间的通信时间并获得更好的解。以对称TSP测试集为对象进行比较实验,结果表明,该算法相对于串行算法及现有的并行算法具有一定的优势。     

基于自适应转移概率的蚁群优化算法

为避免蚁群优化算法容易早熟的缺点,在转移概率公式中引入一个新的自适应因子。随着迭代次数的增加,该因子有利于蚂蚁探索有较弱信息素浓度的边而避免一些边上信息素的过度积累。该特点使蚂蚁在迭代后期仍能以较高概率搜索到更好的解从而避免早熟。仿真实验结果表明,该算法对解决旅行商问题具有更优的全局搜索能力。     

基于蚁群优化算法的旋转货架拣选路径规划

给出自动化立体仓库单拣选台分层水平旋转货架系统的数学模型,提出一种改进的蚁群优化算法,用于解决货物拣选路径规划问题。该算法能快速找到最优货物拣选路径,得到的解质量较高且计算时间短。仿真结果表明,该方法适用于求解中小规模货物拣选路径的规划问题,可以提高自动存储作业效率。     

基于群智能算法的玻璃切割问题求解研究

通过对玻璃切割问题的研究,提出一种融合量子粒子群优化和蚁群优化的混合算法(QPSO-ACO算法)。该算法对QPSO及ACO的模型进行必要的修改,以实现对玻璃切割中的旅行商问题的较好求解。同时充分利用QPSO的快速性、全局收敛性和ACO的正反馈性及求精解效率高等特点,达到优势互补。实验结果表明,QPSO-ACO算法寻优能力较强,是解决玻璃切割问题的有效方法。     

基于差分进化融合蚁群算法的数据中心流量调度机制

针对数据中心网络的传统流量调度方法容易引起网络拥塞及链路负载不均衡等问题,提出了一种差分进化（DE）融合蚁群（ACO）算法（DE-ACO）的动态流量调度机制,对数据中心网络中的大象流调度进行优化。首先,利用软件定义网络（SDN）技术捕获实时网络状态信息并设定流量调度的优化目标;然后,通过优化目标重定义DE算法,计算出多条可用候选路径,作为ACO算法的初始化全局信息素;最后,结合全局网络状态以求得全局最优路径,并重新路由拥堵链路上的大象流。实验结果表明,以在随机通信模式下为例,与等价多路径路由（ECMP）算法和基于蚁群算法的SDN数据中心网络流量调度（ACO-SDN）算法相比,所提算法的平均对分带宽分别提高了29.42%～36.26%和5%～11.51%,降低了网络的最大链路利用率（MLU）,较好地实现了网络负载均衡。