数字微流控生物芯片布局的拟人遗传组合算法

数字微流控生物芯片布局问题是芯片设计的关键问题,它是在二维微流控阵列上为每个操作布局一个合适的物理位置,以达到完成所有操作的微流控阵列总面积最小和总时间最短两个目标。构建了拟人遗传组合算法,应用拟人启发式算法来控制数字微流控模块的布局过程,用遗传算法对布局结果进行多目标优化,以多元体液检测为实例,模拟了数字微流控生物芯片的布局优化过程。实验结果表明该算法不仅达到了优化目标,且优于并行混合模拟退火算法。     

数字微流控生物芯片测试诊断过程分析和优化

针对数字微流控生物芯片的测试和诊断过程进行建模和分析,并根据并行测试的分块数和单元出错概率为相应的测试和诊断成本建立函数。通过Matlab对测试诊断成本函数的分析表明：随着并行测试分块数的增大,测试诊断成本的变化趋势不明显,也就是说,并行测试的分块数对测试诊断成本的影响不大;而随着单元出错概率p的增加,测试成本呈明显的增加趋势,且增加的幅度较大。另外,诊断过程中,根据单元出错概率对出错的子阵列再进行诊断,诊断过程必须持续若干次,直到所有故障定位后才能结束。在这些诊断中,针对最后一次定位的诊断成本是最大的,而且与其他次的诊断过程的成本相差几十个数量级,决定了总成本的大小。这些结论为数字微流控生物芯片的测试和诊断过程优化提供重要的理论依据,并为测试诊断方法的设计提供指导。     

基于禁忌搜索的数字微流控生物芯片多目标综合优化算法

利用数字微流控生物芯片来实施生化分析实验的关键是如何提高电极利用率、增大操作的并行性以及最小化生化检验完成时间,因为这关系到检验结果是否完整准确。根据片上实际空闲电极的数量和位置,利用数字微流控芯片上功能模块具有动态重构这一特点,适时改变某些功能模块在片上的位置,提高操作的并行处理。结合改进的禁忌搜索算法对数字微流控生物芯片进行架构级调度和几何级布局,以实现提高电极利用率和最小化生化检验完成时间两个目标。仿真结果验证了优化算法的可行性和有效性,该算法可大大提高数字微流控生物芯片的电极利用率,减少生化检验的完成时间。     

存在故障的数字微流控芯片重构后测试

数字微流控芯片广泛用于生命科学领域,它对可靠性的要求很苛刻。由于数字微流控芯片的可重构性,在测试诊断的故障数小于一定比例时,电极阵列会被重构以撇开故障单元继续使用,而对于重构后的不规则电极单元,必须在使用前做强健完备的测试。首次提出对重构后的不规则电极单元进行并行测试:将重构电极阵列分为多个等大子阵列,每个子阵列分配1个测试液滴进行并行测试,目标为最小化测试时间。本文将测试时间最小化问题转化为分发池的分配问题,并为该NP完全问题建立ILP模型,计算最优测试时间。实验结果表明,该方法避免了重复诊断,最小化了故障后重构芯片的测试时间,获得了较好的测试效果。     

连续微流控生物芯片下基于序列对的流层物理设计算法

针对流层物理设计的2个阶段,即组件布局与布线通常被分开考虑,忽略了它们之间的交互作用,从而导致设计质量以及生物芯片执行效率下降的问题,提出一种有效的连续微流控生物芯片下基于序列对的流层物理设计算法.首先基于可以快速对布局方案进行枚举和计算的序列对表示方法,通过具有更高求解效率的离散粒子群优化算法得到组件布局解,进一步提...     

微流控生物芯片的磁场仿真及实验对比

近年来,随着生物医学分析和MEMS技术的发展,基于纳米磁珠的微流控生物芯片得到了广泛关注和研究.芯片上的微流路内部集成了微磁场元件,可在外磁场的作用下产生局部梯度磁场,从而将具有特定生物活性的纳米磁殊流捕获,实现后续的生物医学分析.为了有效的捕获磁珠,微磁场元件的外形结构需精心设计,才能产生足够高的磁场强度和磁场梯度.本文利用仿真软件COMSOL(Femlab)对所设计的不同外形的微磁场元件的磁场分布情况进行了仿真分析,随后的在片实验结果与仿真结果吻合得很好.     

数字微流控生化芯片的多故障诊断

数字微流控芯片常用于安全关键领域,其可靠性成为设计和测试的重要准则。为保证数字微流控芯片的系统可靠性,需要对其进行全面的测试,而为了实现重配置,必须对芯片阵列进行准确的故障诊断。本文提出了一种多故障的诊断方法,首先对芯片阵列进行行列并行测试,识别出存在故障的行和列,再利用改进二进搜索对这些故障行列进行故障定位。改进二进搜索可以利用多个有效的无故障路径进行测试,为了有效地为二进搜索寻找有效的搜索路径,给出了相应的贪婪算法。诊断故障覆盖率用来衡量多故障诊断方法的有效性。实验结果表明,相对传统的二进搜索方法,本方法可以更有效地对多故障进行定位。     

具有分段和变异特性的蚁群算法求解TSP问题

常规蚁群算法具有搜索时间较长,易于过早地收敛于非最优解的缺陷。为了提高蚂蚁一次周游的质量,采用具有轮盘赌方式的最大最小蚁群算法（MMAS＋RW）,即在依据概率选择下一个城市时采用轮盘赌的方式。提出一种具有分段和变异特性的蚁群算法。该算法融合了分段的分而治之思想和遗传算法中的变异,有利于保持群体多样性的特性,是在采用轮盘赌方式的最大最小蚁群算法陷入局部最优解的情况下,引入随机分段和遗传算法的变异操作来优化当前最优解,改善解的质量,改进蚁群算法易于过早地收敛于非最优解的缺陷。仿真实验表明取得了较好的效果。     

聚合酶链式反应微流控生物芯片的数值模拟

微通道内具有一定流速的DNA反应混和物能否达到聚合酶链式反应(PCR)指定的温度PCR微流控芯片研究的关键问题.本文应用有限体元法(FEV)数值模拟该芯片上3个恒温区的直型、弯型、逶迤型三类微通道内,微流体的温度场和速度场.结果表明:对于宽100 μm深50μm的微通道,速度在0.002 m/s～0.02 m/s范围内,180.的弯道以及温度场、温度梯度的存在对其速度场分布无影响,微流体仍旱现为层流;微流体大约经过60μm的距离,其温度场达到稳态,其速度场充分发展为层流;采用宽4 mm深2 mm的空气隔热槽能起到隔热的效果.     

数字微流控生化芯片多液滴稀释方法的研究

生化试验中如何将样品试剂配备过程转化成有效的数字生化芯片实现的协议,并给出相应的操作过程中的稀释/混合操作优化算法非常关键,是样品试剂配备过程的一个挑战。为减少操作步骤和节省药品,提出针对数字微流控生物芯片多液滴混合器稀释/混合操作优化算法,该算法允许多个液体参与混合分离操作,可以在误差允许范围内利用片上多液滴混合器用较少的操作步骤获得目标浓度的液滴。相对传统的两液滴混合方法,减少了稀疏/混合的步骤和稀释/混合时间,同时减少中间废弃液滴的数目。实验结果也表明可以在允许的误差范围内高效地进行混合/分离操作,获得目标浓度的液滴。     

基于改进的最大最小蚁群算法求解电力线路最佳抢修路径

电力线路最佳抢修路径就是一条物资点到故障点耗费时间最少的交通路径。最大最小蚁群算法改善了基本蚁群算法的过早停滞现象,适合于求解大规模问题,但仍存在收敛速度慢、求解质量差等缺点。针对最大最小蚁群算法的不足,提出了一种改进的最大最小蚁群算法来求解电力线路最佳抢修路径。该算法采用分段函数设置状态转移规则,结合噪声扰动方法进行局部搜索,并利用变异思想和A*算法产生邻域解。仿真实验表明,在求解电力线路最佳抢修路径时,该算法比其他改进蚁群算法具有更多的优越性,并分析了噪声扰动方法的参数对求解质量的影响。     

基于异类蚁群的双种群蚁群算法

提出一种基于异类蚁群的双种群蚁群（Dual Population Ant Colony Algorithm Based on Heterogeneous Ant Colonies,DPACBH）算法,算法将两种信息素更新机制不同的蚁群分别独立进行进化求解,并定期交换优良解和信息来改善解的多样性,增强跳出局部最优的能力,使算法更容易收敛到全局最优解。以TSP（Travel Salesman Problem）问题为例所进行的计算表明,该算法比基本双种群蚁群算法具有更好的收敛速度和准确性。     

基于遗传蚁群算法的QoS路由算法研究

利用遗传算法的快速全局搜索能力和蚁群算法的正反馈收敛机制,引入遗传蚁群算法（Genetic Algorithm Ant Colony algorithm）GAAC来解决QoS路由问题。算法设计的基本思想是首先由遗传算法产生较优解,较优的路径留下信息素,其他路径不改变,然后在有一定初始信息素分布的情况下,用蚁群算法求精解。仿真表明算法比单一采用遗传算法和蚁群算法进行路由选择具有更好的性能,且更适合于动态网络环境下的QoS路由选择。     

不确定环境下一种新的双蚁群路径规划算法

蚁群算法作为一种新型的模拟进化算法,被广泛地用于路径规划问题。但是传统的蚁群算法存在搜索时间长、收敛速度慢、易于陷入局部最优等缺点,为了克服算法的不足,该文提出一种改进的双蚁群算法,通过改变启发因子,同时引入最大最小蚁群系统思想对信息素进行更新以提高算法性能。实验结果表明,与同类算法相比,该算法能得到更优的路径。     

DEM中基于遗传与蚁群的混合路径规划算法

现有启发式算法在DEM路径规划中因数据量巨大,效率较低。针对该问题,提出一种基于遗传和蚁群的混合路径规划算法。该算法在遗传过程中,通过在初始群体生成阶段构建选择因子,使得在节点搜索时更加倾向于终点方向,提高初始群体生成效率;对变异过程中变异节点的变异区间进行限制,避免产生路径断点;在蚁群寻优过程中,根据遗传过程产生的路径信息,采用自适应信息素初始化与更新策略,提高算法搜索效率。测试结果表明,混合算法能够在规则网格DEM数据下搜索出符合条件的路径,并具有较好的效率。     

基于混合蚁群算法的物流配送路径优化

基本蚁群算法在优化过程中存在搜索时间长、易陷入局部最优解的缺点.研究构造了一种基于蚁群算法的混合算法,利用蚁群算法首先求出问题的基本可行解,采用遗传变异中的单亲逆转算子进行再次优化,求得问题最优解.对物流配送路径优化的仿真试验表明,相对于基本蚁群算法和遗传算法,混合算法的优化质量和效率更优.     

基于蚁群算法和轮盘算法的多Agent Q学习

提出了一种新颖的基于Q-学习、蚁群算法和轮盘赌算法的多Agent强化学习。在强化学习算法中,当Agent数量增加到足够大时,就会出现动作空间灾难性问题,即：其学习速度骤然下降。另外,Agent是利用Q值来选择下一步动作的,因此,在学习早期,动作的选择严重束缚于高Q值。把蚁群算法、轮盘赌算法和强化学习三者结合起来,期望解决上述提出的问题。最后,对新算法的理论分析和实验结果都证明了改进的Q学习是可行的,并且可以有效地提高学习效率。     

基于量子蚁群算法的网格任务调度研究

任务调度策略是网格计算的核心问题。在系统任务调度和资源分配中,提出一种基于量子蚁群算法的任务调度策略。算法将量子计算与蚁群算法相融合,通过对蚁群进行量子化编码并采用量子旋转门及非门操作,实现对任务自适应启发式的分配和优化。算法有效增强了种群的多样性、克服了遗传算法和蚁群算法的早熟收敛和退化现象。仿真实验中,分别与基于遗传算法和基于蚁群算法的任务调度策略相对比,结果表明算法有效缩短了任务调度的时间跨度,增强了网格系统的性能。     

基于群体分类的自适应蚁群算法

针对基本蚁群算法在求解能力方面的不足,提出一种基于群体分类的自适应蚁群算法.该算法在智能蚁群的基础上引入随机蚁群以便扩大搜索空间,不同蚁群实行各自不同的搜索前进策略和信息更新机制,并可通过调节随机蚁群与智能蚁群的比例来控制收敛速度.多个旅行商问题的仿真实验证明,相比ACS、MMAX算法,该算法的求解能力得到了改进.