基于免疫粒子群集成的RNA二级结构预测算法

RNA二级结构预测在计算生物学中具有重要意义,针对RNA二级结构预测,提出了一种新的免疫粒子群集成算法,根据个体的浓度和适应值概率,利用免疫机制,在粒子群优化算法中设计了免疫替换算子,有效防止了粒子群优化算法易陷入局部最优的缺陷;通过集成技术,充分发挥各种粒子群优化算法的优点,实现协同演化,提高了算法的全局搜索能力。最后用免疫粒子群集成算法去预测RNA二级结构,实验证明了算法的有效性。     

迁徙差分进化算法及其在RNA二级结构预测中的应用

对优化问题和游牧民族迁徙行为的比较研究表明,两者存在相似之处。模拟游牧民族迁徙机制提出了一种迁徙策略,并且与差分进化算法相结合,提高了算法摆脱局部极值的能力;通过集成技术,充分发挥各种差分进化算法的优点,实现协同进化,提高了算法的全局搜索能力。最后应用于预测RNA二级结构,实验表明,该算法是有效的。     

基于迁徙差分进化算法集成的模体识别

为了克服微分进化的局部收敛问题,通过模拟游牧民族的迁徙机制,提出一种迁徙策略,将其与差分进化算法相结合,得到一种迁徙差分进化算法新范式,利用集成技术,发挥各种差分进化算法的优点,提高算法的全局搜索能力。通过生物序列模体识别实验,验证了该算法的有效性。     

新型模拟进化计算

提出了一种新的模拟进化计算,它模仿新宇宙进化理论中膨胀、收缩两种模式交互作用,推动宇宙进步的过程。膨胀操作提高了种群的多样性和进化算法克服局部收敛的能力,收缩操作吸取了不同群体的优良特性,改善了算法的计算效率,实验结果表明该范式是有效的。     

竞争PSO在多序列联配中的应用

本文提出了一种求解多序列联配的竞争粒子群优化算法,算法根据适应值分类设计了粒子群的惯性权重以及其飞行速度范围,并进行了动态调整,提高了算法的收敛速度和精度;引入了重新初始化机制,有效的避免粒子群优化算法可能出现的早熟现象;提出了一种全新的速度更新模式和竞争策略,增强了算法的能力。实验表明该算法是有效的。     

基于免疫GA与Gibbs的模体识别算法

生物序列motif识别问题是当今生物信息学面临的一个复杂问题,要设计一个能识别所有motif的方法几乎是不可能的。针对该问题,在免疫遗传算法中引入了统计估计,提高了motif识别的精度,根据个体的浓度和适应值概率。设计了免疫替换算子,有效地解决了种群的多样性问题,利用Gibbs Sampler算法生成种子,提高了免疫遗传算法的搜索速度,最后得到了一个基于免疫GA与Gibbs Sampler的生物序列motif识别算法,该算法充分发挥了免疫遗传算法和Gibbs Sampler算法的优越性,较好地解决了计算速度和计算精度之间的矛盾。实验表明,该算法是有效的。     

自适应双向菌群优化算法

提出了自适应双向菌群优化算法,应用聚类思想将趋化步长进行自适应调整,提高算法的局部搜索能力,引入双向游动机制,提高了算法的搜索效率和速度。针对10个复杂Benchmark函数进行了数值优化实验,其结果表明,在所有测试函数中,该算法在搜索能力和稳定性等方面优于其他典型算法的比率达到60%～90%,验证了算法的有效性。     

一种求解MSA问题的自适应遗传算法

多序列比对(MSA)在生物信息学研究中占有重要地位，MSA问题是一个典型的NP问题，遗传算法是求解NP完全问题的一种有效方法。文章针对MSA问题，提出了一种新型自适应遗传算法，根据群体的多样性自适应调节变异概率，有效消除了算法中的欺骗性条件，使用突变算子来确保算法的搜索能力。整个算法模拟了自然界进化的周期性，较好的解决了群体的多样性和收敛深度的矛盾。算法的分析和测试表明，该算法是有效的。     

远亲杂交遗传算法及其在供应链优化中的应用

基于生物系统中普遍存在“远亲杂交优于近亲繁殖”的现象,提出了基于远亲杂交的遗传算法：远亲杂交保持演化群体良好的多样性,克服了遗传算法局部收敛的缺陷,提高了算法的全局搜索能力。针对供应链优化研究,本文提出了一个新型供应链优化模型,同时把新算法应用于求解该优化问题,结果表明,对供应链优化问题的求解,远亲杂交遗传算法优于基本遗传算法和分枝界定法。     

迁徙差分进化算法及其在RNA二级结构预测中的应用

对优化问题和游牧民族迁徙行为的比较研究表明,两者存在相似之处。模拟游牧民族迁徙机制提出了一种迁徙策略,并且与差分进化算法相结合,提高了算法摆脱局部极值的能力;通过集成技术,充分发挥各种差分进化算法的优点,实现协同进化,提高了算法的全局搜索能力。最后应用于预测RNA二级结构,实验表明,该算法是有效的。