药物分子对接中的构象搜索策略

药物分子对接设计是大规模数据库筛选的理想途径。本文在介绍分子对接理论的基础上，建立了一个数学规划模型，将分子对接中的构象搜索转化为约束极小化问题，并采用带有空间收缩的小种群遗传算法进行求解。在遗传算法中还引入了信息熵的概念，用熵控制各种群搜索空间的收缩。本方法用种群的多样性避免了遗传进化的早熟现象，以空间收缩尺度作为停机判据，有效地控制了算法的收敛。在多种群进化机制上，采用小种群策略，极大程度地减少了计算量，提高了分子对接的效率。实例表明本方法适用于药物分子对接设计。     

应用改进型遗传算法进行药物分子对接设计

文章建立了一种约束优化的演化模型,并构造出求解此模型的多种群空间收缩遗传算法,将信息熵概念引入进化过程,控制各种群寻优搜索时解空间的收缩。该算法用种群的多样性避免遗传进化的早熟现象,并以空间收缩尺度作为停机判椐,有效地控制了算法的收敛。利用基于小种群的多种群进化策略,在保证种群多样性的前提下,极大程度地减少了计算量,提高了计算效率。数值算例表明,熵的介入增强了随机搜索类进化算法的寻优目的性,使收敛过程平稳且迅速。算例表明此算法能有效的应用于药物分子对接设计。     

基于容错机制的精细药物分子对接网格

针对药物分子对接的搜索空间大、耗费时间长、对计算环境要求高等问题,给出一种将网格技术应用于药物分子对接的方案。基于遗传算法多种群竞争机制的对接演化模型GasDock,以信息熵控制空间的收缩,增强进化的目的性,提高对接效率。提出局部类树型结构及结点失效的容错机制,提高了精细药物分子对接任务的效率及容错性。测试结果证明了精细药物分子对接与网格技术相结合的合理性和有效性。     

一种基于免疫遗传算法的分子对接构象搜索策略

分子对接是计算机辅助药物分子优化设计中的一种重要方法,搜索算法和评分函数是当前分子对接研究的难点与热点.在借鉴当前分子对接构象搜索策略的基础上,提出了一个基于免疫遗传算法的分子对接药物设计方法AutoDockIGA.首先建立了基于最优化方法的分子对接数学模型AutoDockModel,并设计了基于免疫遗传算法的构象搜索策略,运用此方法对布克海文蛋白质数据库中(Brookhaven Protein Data Bank)的6种蛋白质一配体复合物进行了实验测试,并将实验结果与AutoDock3.0、模拟退火算法的对接时间和精度进行比较和分析,实例测试表明AutoDockIGA具有更高的寻优能力.     

计算机辅助药物分子对接并行演化设计

对分子对接理论作了简单介绍,建立了一个基于柔性配体分子与刚性受体分子对接的数学规划模型,将分子对接中的构象优化搜索转化为求解约束极小化问题的过程,并采用带有空间收缩的多种群并行遗传算法进行求解．在分布式存储的并行机曙光3000上模拟计算表明,该设计具有很高的并行加速比,在保证分子对接的准确性和有效性的前提下,大大提高了分子构象搜索的速度．     

基于深度强化学习种群优化的演化式分拣调度算法

机械制造中的产线分拣作业具有问题与数据的双重复杂性,为了对分拣操作进行优化以提高生产效率,设计了一套分拣作业的数据表示方法与一种基于种群优化的演化式算法,同时整理并公开了一个真实的工业数据集。数据表示方法通过借鉴词袋模型对原始作业数据进行抽象表示;演化式算法使用深度强化学习初始化遗传算法中的种群,同时引入了精英保留策略以提高算法的优化能力。最后,将提出的算法与其他算法在真实的工业数据集与旅行商问题数据集上进行了对比。结果表明,该算法能找到更优的分拣顺序与访问路径,验证了算法的有效性。     

免疫识别器构造的多级演化

本文提出了基于多种群演化的遗传算法程序设计，通过对识别器的“自我”训练和“非我”测试来构造计算机网络安全免疫系统中至关重要的识别器，并在文章最后通过实验例子比较该算法与传统遗传算法单种群演化的效果。     

基于演化策略算法的作业车间调度优化

提出一种基于工件操作次序的二维实数编码方法,采用演化策略算法求解作业车间调度问题。设计一种基于三点交叉互换的重组算子用于生成子代个体,并采用个体编码基因随机重新生成的方法设计变异算子。实验结果证明,演化策略算法能有效优化作业车间调度问题,与遗传算法和粒子群优化算法相比,其优化性能更好,并且基于三点交叉互换重组算子的演化策略算法的性能好于基于两点交叉和基于四点交叉互换重组算子的演化策略算法。     

指针网络改进遗传算法求解旅行商问题

针对遗传算法在求解旅行商问题时,受限于初始种群质量而存在收敛速度慢、易陷入局部最优等问题,提出一种基于指针网络改进遗传算法种群模型。通过经改进指针网络生成初始种群取代原种群,并结合基于汉明距离轮盘赌策略对种群个体进行择优,形成个体质量和种群多样性高的新种群。实验在TSPLIB标准库上多组实例进行测试,并和研究进展种群改进算法和多种主流启发式算法进行多项系数对比。结果表明,经过优化后算法的收敛速度和寻优能力有显著提高,能够有效用于改善遗传算法在旅行商问题上的应用。     

基于混合遗传算法与互信息分析的高维小样本特征选择

针对高维小样本数据特征选择冗余度高和过拟合的问题,提出一种基于混合遗传算法与互信息分析的高维小样本特征选择算法。对互信息理论与特征选择问题进行深入分析,利用互信息消除特征冗余度能力强的优点,推理出基于互信息的目标函数和优化的边界条件;设计混合的遗传算法来充分利用高维小样本数据集不同角度的属性数据,混合遗传算法设立主种群和次种群,在每次迭代中利用次种群的结果引导主种群的演化,从而缓解小样本数据带来的过拟合问题。基于医学数据集的对比实验结果表明,该算法有效地增强了遗传算法的稳定性和鲁棒性,并且实现了较好的特征选择效果。     

并行机间歇过程生产调度的遗传局部搜索算法

研究了一类集成分批的并行机间歇过程调度问题(parallel machine batch process scheduling problem,简称PBPSP),将此问题转化为固定费用运输问题(6xed charge transportation problem,简称FCTP)后,提出了具有集中邻域搜索机制和局部最优逃逸机制的遗传局部搜索算法(genetic local search algorithm,简称GLSA).GLSA算法用先根遍历边排列模式编码生成树解,具有高效的子树补充式单点交叉操作.将基于网络单纯型方法的邻域搜索作为变异算子,并提出了连续随机节点邻域搜索的集中邻域搜索策略以及随机旋转变异与全局邻域搜索相结合的局部最优逃逸策略,极大地强化了遗传局部搜索算法的全局寻优能力.实验表明:GLSA算法获得的解质量优于基于排列编码的遗传算法和基于矩阵编码的遗传算法,得到了所有Benchmark问题的最优解,且具有高鲁棒性.针对一定规模的FCTP问题,GLSA算法比Tabu启发式搜索算法具有更高的获得最优解几率.     

Evolving neural network using real coded genetic algorithm for permeability estimation of the reservoir

In this work we investigate how artificial neural network (ANN) evolution with genetic algorithm (GA) improves the reliability and predictability of artificial neural network. This strategy is applied to predict permeability of Mansuri Bangestan reservoir located in Ahwaz, Iran utilizing available geophysical well log data. Our methodology utilizes a hybrid genetic algorithm–neural network strategy (GA–ANN). The proposed algorithm combines the local searching ability of the gradient–based back-propagation (BP) strategy with the global searching ability of genetic algorithms. Genetic algorithms are used to decide the initial weights of the gradient decent methods so that all the initial weights can be searched intelligently. The genetic operators and parameters are carefully designed and set avoiding premature convergence and permutation problems. For an evaluation purpose, the performance and generalization capabilities of GA–ANN are compared with those of models developed with the common technique of BP. The results demonstrate that carefully designed genetic algorithm-based neural network outperforms the gradient descent-based neural network.     

Genetic algorithm-based strategy for identifying association rules without specifying actual minimum support

We design a genetic algorithm-based strategy for identifying association rules without specifying actual minimum support. In this approach, an elaborate encoding method is developed, and the relative confidence is used as the fitness function. With genetic algorithm, a global search can be performed and system automation is implemented, because our model does not require the user-specified threshold of minimum support. Furthermore, we expand this strategy to cover quantitative association rule discovery. For efficiency, we design a generalized FP-tree to implement this algorithm. We experimentally evaluate our approach, and demonstrate that our algorithms significantly reduce the computation costs and generate interesting association rules only.     

基于设计模式的改进遗传算法设计与实现

针对传统的遗传算法编程求解过程中存在的代码复用性不高,灵活性差的情况,在参考麻省理工学院Matthew Wall开发的遗传算法类库GAlib的基础上,文章提出了基于设计模式的改进遗传算法设计框架,并提供了部分Visual C#代码和演示。该框架通过使用模板方法模式、策略模式和适配器模式大大提高了改进遗传算法在设计实现过程中的可扩展性和灵活性。     

An Approach for Reducing the Graphical Model and Genetic Algorithm for Computing Approximate Nash Equilibrium in Static Games

In this paper, an approach for reducing the graphical model and a genetic algorithm for computing the approximate Nash equilibrium in a static multi-agent game is studied. In order to describe the relationship between strategies of various agents, the concepts of the influence degree and the strategy dependency are presented. Based on these concepts, an approach for reducing a graphical model is given. For discretized mixed strategies, the relationship between the discrete degree and the approximate degree is developed. Based on the regret degree, a genetic algorithm for computing the approximate Nash equilibrium is given. Experimental results indicate the genetic algorithm has high efficiency and few equilibrium errors.     

Local Search Genetic Algorithms for the Job Shop Scheduling Problem

In previous work, we developed three deadlock removal strategies for the job shop scheduling problem (JSSP) and proposed a hybridized genetic algorithm for it. While the genetic algorithm (GA) gave promising results, its performance depended greatly on the choice of deadlock removal strategies employed. This paper introduces a genetic algorithm based scheduling scheme that is deadlock free. This is achieved through the choice of chromosome representation and genetic operators. We propose an efficient solution representation for the JSSP in which the job task ordering constraints are easily encoded. Furthermore, a problem specific crossover operator that ensures solutions generated through genetic evolution are all feasible is also proposed. Hence, both checking of the constraints and repair mechanism can be avoided, thus resulting in increased efficiency. A mutation-like operator geared towards local search is also proposed which further improves the solution quality. Lastly, a hybrid strategy using the genetic algorithm reinforced with a tabu search is developed. An empirical study is carried out to test the proposed strategies.     

多目标约束处理方法求解泊位岸桥联合分配问题

为了制定合理高效的泊位岸桥联合分配方案,加快船舶周转,本文针对船舶动态到港的连续泊位建立了以船舶总在港时间最短为目标的泊位岸桥联合分配混合整数非线性模型.通过多目标约束处理策略将复杂约束的违反程度转化为另一个目标,从而将原单目标优化模型转化为双目标优化模型,并用基于快速非支配排序的多目标遗传算法(NSGA-II)对其进行求解.同时,针对问题特点,分别设计了基于调整、惩罚函数、可行解优先和综合约束处理策略的单目标遗传算法对原模型进行求解.通过多组不同规模的标准算例对本文的方法进行测试,验证了基于多目标约束处理策略的方法求解效果相较于单目标约束处理策略的方法更加高效和稳定.     

基于总加权完成时间的可重入混合流水车间调度问题

研究以最小化总加权完成时间为目标的可重入混合流水车间调度问题(RHFS-TWC),并构建问题的整数规划模型.根据模型的特点,设计基于二维矩阵组的调度解编码方案,结合NEH启发式算法确定工件初始加工顺序,生成高质量初始调度解群.为避免算法陷入早熟及扩大解的搜索空间,给出IGA的遗传参数自适应调整策略,最终形成NEH-IGA融合求解策略.针对不同规模问题分别用传统GA、基于遗传参数自适应调整的IGA、NEH启发式、NEH-IGA算法进行仿真测试,仿真结果表明NEH启发式和遗传参数自适应动态调整策略的引入有效改善了原有GA的求解能力,NEH-IGA算法在求解RHFS-TWC问题方面优势明显.     

全局数值寻优的一种混合遗传算法

提出一种与单纯形法相结合，用于解决全局数值优化问题的混合遗传算法. 在该混合方法中，采用了非线性排序选择、多个交叉后代竞争择优、变异尺度自适应变化变异算子和适应性阶段进化策略等改进的遗传机制，并采用精英个体保留策略、修改的单纯形策略及改进的遗传策略共同产生下一代群体. 数值结果表明提出的该方法的有效性.     

一种采用循环策略的改进模拟退火遗传算法

循环规律是生态学中一个重要的规律,而模拟退火遗传算法是一种能够有效改进遗传算法性能的方法。将循环策略与模拟退火遗传算法有机地结合起来,提出了一种采用循环策略的改进模拟退火遗传算法,并通过模式演化分析和收敛性分析证明算法的合理性。该算法不仅能够保证遗传算法的全局收敛性,而且还可以加快种群的进化速度并获得满意的全局最优解。