基于茎区组合的RNA二级结构预测算法

RNA二级结构预测是生物信息学的研究热点和难点,特别是对于含假结的RNA二级结构的预测,已经被证明是NP问题。根据RNA折叠的特点,提出了一种基于茎区组合的智能优化算法来预测RNA 的二级结构。该算法以RNA的茎区为基本单元,结合图论思想,通过二元关系的基本理论,依据自由能最小原则获取茎区的最优组合。该算法的时间复杂度为O(n3),空间复杂度为O(n2),而且可以发现假结。实验结果证明了算法的有效性。     

RNA二级结构预测算法

1引言 热动力学最小自由能量方法预测RNA二级结构起始于Tinoco等人[1].1975年Pipas与Mcmahom首先进行了最小化自由能量的计算方法的研究[2],其时间复杂度为O(2n),且仅用于小于200个核苷酸的短序列.Studnicka等进一步定义了折叠RNA分子的精密的拓朴规则[3],其算法的时间复杂度为O(n5),该算法需要人为干预,对较长序列的解一般是次最优的.Nussinov首次引入动态规划算法[5],算法只考虑临近碱基的相互作用,其时间复杂度为O(n3).Zuker首次将动态规划算法用于复杂的Tinoco自由能量模型,设计了mfold算法,算法的时间复杂度为O(n3)[6].Sankoff对mfold算法的性质进行了严格的理论分析[7].     

基于茎区的自由能算法预测RNA二级结构

预测RNA分子的二级结构是计算生物学中的一个重要研究内容,本文在传统的最小自由能算法的基础上,提出了基于茎区的自由能算法,该算法时间复杂度O(n<'3>),空间复杂度O(n<'2>),能够预测RNA二级结构及其假结.     

RNA二级结构预测算法的设计与实现

本文提出了一个预测RNA二级结构的计算模型和动态规划算法.该算法采用子序列的组合策略和RNA二级结构的内在特性,计算多个平面伪结点和一个非平面伪结点结构.与Rivas算法相比,该算法减少了2n4的空间,并将时间复杂度由O（n6）降为O（n5）.实验结果验证了算法的有效性.     

基于隐Markov模型的RNA二级结构预测新方法

有效预测RNA二级结构是生物信息学中的重要研究领域.提出一种基于隐Markov模型预测RNA二级结构的新方法.首先,应用前后缀匹配算法快速找到所有可能(包括假结)的茎区,建立RNA-HMM,寻找最优的茎区组合方法,得到包含假结的RNA二级结构.实验结果表明,提出的新方法降低了计算复杂性,提高了预测的特异性和敏感性,具有较高的准确率,可以预测RNA的假结结构.     

基于快速动态权重匹配的RNA二级结构预测算法

在动态权重匹配算法的基础上提出了基于快速动态权重匹配的RNA二级结构预测算法。通过引入最大动态权重茎区搜索算法降低时间复杂度和扩大搜索假结的区域提高预测假结的能力,使得快速动态权重匹配算法与动态权重匹配算法相比,不仅具有O(n3)的更加理想的时间复杂度,而且还能预测更多可能存在的假结。     

基于混合蚁群遗传算法的RNA二级结构预测

RNA二级结构预测是生物信息学的重要研究领域.本文提出一种新的基于混合蚁群遗传算法的RNA二级结构预测方法.充分利用茎区和茎区之间的关系信息和累积的信息,通过蚁群算法产生初始种群和新的个体,进而替换遗传算法中的变异算子.构造蚁群算法中的启发式信息、初始信息素矩阵、下一茎区的选取规则和信息素的更新机制,给出遗传算法中交叉...     

连续时间 Hopfield网络模型数值实现分析

讨论使用Euler方法和梯形方法在数值求解连续时间的Hopfield网络模型时,离散时间步长的选择和迭代停止条件问题.利用凸函数的定义研究了能量函数下降的条件,根据凸函数的性质分析它的共轭函数减去二次函数之差仍为凸函数的条件.分析连续时间Hopfield网络模型的收敛性证明,提出了一个广义的连续时间Hopfield网络模型.对于常用的Euler方法和梯形方法数值求数值实现连续时间Hopfield网络,讨论了离散时间步长的选择.由于梯形方法为隐式方法,分析了它的迭代求算法的停止条件.根据连续时间Hopfield网络的特点,提出改进的迭代算法,并对其进行了分析.数值实验的结果表明,较大的离散时间步长不仅加速了数值实现,而且有利于提高优化性能.     

基于连通支配集的虚拟骨干网构造算法

针对无线传感器网络中缺少骨干网络的问题,提出一种基于连通支配集的虚拟骨干网构造算法。该算法利用图论中的极大独立集和连通支配集构造一个虚拟骨干网络,运用修剪规则去除冗余节点,通过优先选择能量多、距离近的节点使网络寿命更长、延迟更小。实验结果表明,该算法在单位圆图中产生的连通支配集至多为7.6opt+1.4,消息复杂度和时间复杂度为O(n)。     

基于蜂窝结构的传感器网络覆盖问题求解算法

在无线传感器网络中,求解能够完全覆盖目标区域的最小覆盖集是个NP难问题.在传感器节点数目较多时,目前只能通过近似算法求解.蜂窝结构是覆盖二维平面的最佳拓扑结构,但不能直接用于求解无线传感器网络的覆盖问题.提出了一种基于蜂窝结构的覆盖问题求解算法,在该算法迭代求解过程的每一阶段,选出一个节点加入到初始为空的节点集合中,并使得该节点集合的拓扑结构接近于蜂窝结构,直至该节点集合成为覆盖集.该算法在最坏情况下的时间复杂度为O(n3),这里n为传感器节点总数.实验结果表明该算法可在很短的时间内执行完,在所得覆盖集的大小方面要优于现有的覆盖问题求解算法.     

树结构在N体问题中的应用*

N体问题的数值模拟在每个时间步都需要计算每对粒子之间的相互作用,其复杂度为O(N2).采用树结构代码不仅减少了存储开销,而且更有利于快速计算和并行划分.Barnes-Hut算法(BHA)和快速多极子方法(FMM)都是基于树结构的快速算法.BHA可快速计算各点受到的场力,计算复杂度为O(N log N),但计算精度通常只有1%;FMM通过层次划分和位势函数的多极子展开计算各点位势,其复杂度为O(N),却能达到任意精度.数值结果表明,树结构的并行效果也很好.     

出栈序列的研究

栈是一种非常重要的数据结构,递归、函数调用都离不开栈。对n个元素入栈和出栈的研究是栈的一个主要研究内容。利用二叉树给出了入栈和出栈序列的表示;给出了由前置O栈序列构造出二叉树的算法;证明了对于按次序入栈的n个元素,其出栈序列总数为C(2n,n)/(n 1);对三种求解出栈序列算法进行了分析和研究,并提出一种时间复杂度为O(n)判断某一序列是否为出栈序列的算法,它提高了程序的执行效率。     

出栈序列的性质及其求解新算法

设集合N=｛1,2,3,…,n｝,N中的元素按次序1、2、3、…、n入栈,所有不同的出栈序列的集合记为S[1,2,3,…,n]。论文讨论了出栈序列的性质,通过新的计数方法证明了｜S[1,2,3,…,n]｜=n+112n!"n,并给出了求S[1,2,3,…,n]中所有元素的一种新算法。新计数方法与传统的方法相比简单直观,且易于理解。求所有出栈序列的新算法的时间复杂度为O(n+112n!"n),较传统算法速度更快、效率更高。用C语言程序验证了新算法的有效性。     

基因组Translocation排序问题的改进多项式算法

该文给出基因组Transhocation排序问题的一个改进多项式算法，原算法所有存储空间O（n)，时间复杂度为O(n^3)，文中改进算法仍采用O(n)存储空间，时间复杂度为O(n^2logn),具体地，将计算Translocation距离的时间复杂度由O(n^3)改进为O(n^2),将计算Translocation序列的时间复杂度由O(n^3)改进为O(n^2logn).     

通过改变开关状态实现多源点多播

在并行和分布式环境中 ,多个结点之间的通讯一直是研究工作的焦点问题 ,这些通讯主要包括置换、多播(Multicast)及多源点多播 (Multiple Multicast) .L ai提出了适用于一类与带缓存的 Cube网相互拓扑等价的网络的置换算法 ,硬件代价为 O(N log N ) ,算法的时间复杂度为 O(N ) .Feng提出的 inside- out算法实现了 Omega- 1 × Omega网上的置换 ,总的路由时间复杂度为 O(N log N) ,硬件代价为 O(N log N) .支持严格无阻塞置换的三级 Clos网的总的交叉点数为O(N32 ) .支持严格无阻塞的多播的三级 Clos网为 O(N32 logrloglogr) .Yang提出了一种新的多播网络 ,硬件复杂度为 O(N log2 N ) .为了支持多源点多播 ,多级互联网硬件代价往往大幅上升 .本文借鉴了 L ai提出的规则改变开关状态的方法 ,并把这种算法推广到了多源点多播的情况 .提出了一种新的多源点多播路由算法 ,此算法也同样适用于这一类相互拓扑等价的多级互联网 ,包括 Baseline、Om ega、Cube等 .在此算法中 ,每个数据流被划分为固定大小的数据包 ,在网络中独立传送 ,网络中的每个开关的状态按照固定的状态每个时步规则变化 ,每个数据包两次经过网络后到达目标结点 .此类的网络的硬件代价为 O(Nlog N ) ,此多源点多播路由算法的时间复杂度为 O(N )     

关键路径的稀疏矩阵求解算法

求解AOE网的关键路径算法一般基于拓扑排序，虽然具有较好的时间复杂度(O(n+e))，但由于必须进行拓扑排序，同时还要进行拓扑逆序扫描，使得算法本身比较复杂。针对这个问题提出了一个算法，算法采用了稀疏矩阵作为数据的存储结构，为防止关键路径丢失，采用队列方式进行操作。同经典算法相比，该算法简单，时间复杂度相近(O(n+e/n))。     

A Faster and More Space-Efficient Algorithm for Inferring Arc-Annotations of RNA Sequences through Alignment

The nested arc-annotation of a sequence is an important model used to represent structural information for RNA and protein sequences. Given two sequences S₁ and S₂ and a nested arc-annotation P₁ for S₁, this paper considers the problem of inferring the nested arc-annotation P₂ for S₂ such that (S₁, P₁) and (S₂, P₂) have the largest common substructure. The problem has a direct application in predicting the secondary structure of an RNA sequence given a closely related sequence with known secondary structure. The currently most efficient algorithm for this problem requires O(nm³) time and O(nm²) space where n is the length of the sequence with known arc-annotation and m is the length of the sequence whose arc-annotation is to be inferred. By using sparsification on a new recursive dynamic programming algorithm and applying a Hirschberg-like traceback technique with compression, we obtain an improved algorithm that runs in min{O(nm² + n²m),O(nm² log n), O(nm³)} time and min{O(m² + mn), O(m² log n + n)} space.     

时间复杂度为O(N)的联接算法

本文提出基于Ｈａｓｈ位阵列结构的等值联接算法，它利用Ｈａｓｈ位阵列及链表来实现等值匹配查找，时间复杂度为Ｏ（Ｎ），而且实现此算法的结构比较简单，容易实现。普通联接算法的时间复杂度为Ｏ（Ｎ２）