异构机群上高效可扩展的Motif发现并行算法

在节点具有不同计算速度、不同通信能力的异构机群系统上,分别建立求解l≤16和l>16的Motif发现问题的最优序列分配模型,在此基础上设计实现融合投票和统一投影-邻居阈值思想的Motif发现并行算法。实验结果表明,给出的基于最优序列分配策略的Motif发现并行算法具有良好的加速和可扩展性,优于采用平均分配策略的Motif发现并行算法。     

保持Motif结构的网络表示学习*

随着信息技术的广泛应用,网络在人们日常的生活中变得无处不在。网络表示学习算法是最近研究网络的一个热门领域,它旨在保留网络拓扑结构信息的同时,将网络映射到一个潜在、低维度的向量空间。网络Motif,在网络分析中具有重要的意义,然而之前提出的网络表示学习算法绝大多数只考虑了节点的邻域属性或邻近性,而忽略了节点的Motif结构信息。因此,基于上述考虑,提出了算法"保持Motif结构的网络表示学习",使得在学习网络节点向量表示时能够更加侧重地考虑网络Motif的结构。算法首先计算出基于Motif的网络权重矩阵;接着求得网络中每个节点的基于Motif的个性化PageRank预估值;最后进行MotifWalk得到游走路径,从而能够运用Word2Vec模型来得到网络的向量表示。通过与三个经典的网络表示算法比较,发现在稠密以及Motif结构丰富的网络中,提出的算法表现得更好。     

Motif识别算法简介及软件性能研究

Motif在转录和后转录水平的基因表达调控中起着重要的作用。目前,识别Motif的算法和相应的软件已有不少,但是却鲜有对各种算法及软件性能共同评测的研究和报告。介绍了算法的分类以及三种常见的Motif识别算法Wordup,MM和Gibbs采样,并对AlignACE,MEME,MotifSampler,Weeder等13种Motif寻找软件进行性能比较分析。通过生物学意义的研究和性能比较结果可以得出：由于唯有Weeder算法考虑了Motif保守核心位置,因而它在各种软件中识别效果较好;大部分算法只考虑简单而     

X Window/Motif编程中颜色问题的探讨

X Window/Motif是计算机工作站、大型机和采用 UNIX操作系统的微机上最主要的窗口系统 ,但我们大多数人对其编程甚至其系统都不是十分熟悉。 XWindow/Motif是一个十分复杂的系统 ,文章着重讲述了在开发 X Window/Motif界面应用程序中如何定制及使用颜色 ,并给出了一个实用程序的介绍。另外还提出了一种自定义状态条的方法     

西文Motif的汉化

本文主要讨论西文Motif的汉化问题。结合实际编程经验,介绍了UNIX环境下,西文Motif的窗口管理器、根窗口菜单以及用户应用程序界面的汉化技巧。     

X Windows／Motif编程中颜色问题的探讨

X Windows/Motif是计算机工作站，在型机和采用UNIX操作系统的微机上最主要的窗口系统，但我们大多数人对其编程甚至其系统都不是十分熟悉，X Windows/Motif是一个十分复杂的系统，文章着重讲述了在开发X Windows/Motif界面应用程序中如何定制及合作颜色，并给出了一个实用程序的介绍。另外还提出了一种自定义状态条的方法。     

Sun Motif-Designer:双屏图形用户界面生成工具包

本文报告了作者完成的一个基于Sun Unix工作站Motif环境下的Motif双屏图形用户界面自动生成软件工具包Sun Motif-Designer。该工具包通过交互式的图形界面确定用户的需求,并以此生成一个Motif的双屏图形用户界面,以及对应的C代码源文件。文中描述了工具包的功能,着重介绍了实现过程中所使用的一些关键技术和方法。     

一个基于NC++的可视化分布式程序设计模型

并行、分布式系统应用日益广泛，但它的开发却很困难，可视化是其解决方法之一。给出了一个以面向对象的分布式程序设计语言NC＋＋为基础的可视化分布式程序设计的基本模型VGOM，将一个分布式程序的特征用图加以描述；同时在原有NC＋＋语言基础上增加了高层的基于图结构的图操作原语，包括通信原语等，从而提供结构化的通信方式。在SUN工作站上，使用Motif与PVM实现了该模型。     

基于生物计算的分布式计算系统

分布式计算技术提供了充分利用现有网络资源的有效途径。该文论述了基于解决生物计算中难解问题的具有开放接口的分布式并行计算系统的设计与实现技术。系统兼有开放式、异构性、容错性与易用性等特点。讨论了系统的容错性机制、检查点策略及任务调度算法。对Motif Finding问题的求解验证表明,分布式并行计算机制能大大缩短问题的求解时间,为计算领域的难解问题提供有效的解决途径。     

基于IMAN系统的Motif用户环境的研究

本文根据IMAN系统的特点,分析了其Motif用户环境;提供了基于Windows NT平台上IMAN系统Motif用户环境的开发方案;并运用Visual C 6.0编程工具开发了基于     

社会网络中基于信任链的主题群组发现算法

针对社会网络中用户群组准确发现难题,提出了一种基于信任链的用户主题群组发现方法.该方法包括3个部分:主题空间发现、群组核心用户发现和主题群组发现.首先,给出了社会网络主题群组的相关形式化定义;然后,通过主题相关度计算发现主题空间,并给出主题空间上用户兴趣度计算方法;其次,提出原子、串联和并联信任链计算模型,并给出主题空间上的信任链计算方法;最后,分别给出主题空间发现算法、核心用户发现算法和主题群组发现算法.实验结果表明,提出的用户群组发现算法相比基于兴趣度的群组发现算法和边紧密度群组发现算法,平均准确率提升4.1%和11.3%,能够有效提升用户群组组织的准确度,在社会网络用户分类识别方面具有较好的应用价值.     

Parallel implementation of quorum planted (ℓ, d) motif search on multi-core/many-core platforms

Multi-core and many-core architectures are widely adopted by researchers in applied sciences and engineering, owing to their reasonable cost, and ease of access. Moreover, their painless hardware set-up process and rather simple programming paradigm attract more researchers to acquire them and implement their time-expensive computations on these platforms. Planted Motif Search problem is one of the most challenging problems in bioinformatics whose goal is to enumerate all strings of length ℓ that are commonly planted in a given set of DNA sequences. In this paper, we propose an efficient method of thread parallelization to accelerate the latest Quorum Planted Motif Search algorithm (qPMS9) on multi-core and many-core systems. Our contribution towards dynamic scheduling of threads and parallelization of loops in the proposed method outperforms previous sequential and parallel algorithms.     

一种基于MapReduce的频繁闭项集挖掘算法

频繁闭项集的挖掘是发现数据项之间关联规则的一种有效方式。当前以MapReduce模式为基础的云计算平台为解决海量数据中的关联规则挖掘问题提供新的解决思路。文中提出并实现一种基于Hadoop云计算平台的频繁闭项集的并行挖掘算法。该算法主要包括并行计数、构造全局频繁项表、并行挖掘局部频繁闭项集和并行筛选全局频繁闭项集四个步骤。在多个数据集上的实验表明,该方法能较大提高数据挖掘的效率,具有较好的加速比。     

基于纳米计算结构上的生物序列模体发现算法

模体发现对于预测基因特殊功能位点和鉴别药物作用目标等有重要的应用价值.本文介绍了一种纳米计算平台系统结构模型—CellMatrix以及在其上实现的DNA序列模体发现算法.CellMatrix是一种针对纳米计算平台提出的由同构晶格组成的可重构系统结构.这种结构既便于大规模工业生产,也很容易使得各种计算机软硬件系统在其上实现,同时这种结构又具备良好的可扩放性,是未来实现成熟纳米计算平台的一种选择.基于CellMatrix结构,本文首先在晶格结构上设计基本字符比较单元,而后在此基础上逐层构建更高层次的子序列测试单元和单条序列处理架构,从而实现了基于模式驱动的模体发现算法.最后用晶格开销数目和晶格延迟给出该算法的时空开销.     

挖掘相联规则的并行算法研究

在研究多段支持度数据挖掘算法的基础上提出并行挖掘相联规则的算法。给出了在并行条件下以负载平衡为目的的种子项集的划分的贪心算法策略。基于多段支持度特征，为减少各个处理机之间的制约，提出按事务长度进行数据集划分的方案，并具体实现了多段支持度的并行算法。实验结果表明该算法具有很高的效率，特别是在双CPU情况下，并行算法的效率接近顺序算法的两倍，如果把算法修正和推广到群集环境下，会更一步增加相联规则的实用性。     

基于并行遗传算法的规则发现研究

阐述了传统遗传算法的基本思想、原理和步骤及其在数据挖掘(规则集发现)中的应用,给出了基于遗传算法的知识规则挖掘算法的基本思想和关键问题,包括知识规则表示、适应度函数定义等,继而提出多种群并行进化结构,利用精英重组策略,产生池进化模型以及自适应参数的手段调整并行遗传算法进行数据挖掘。在算法具体实现过程中,采用了动态变异交叉概率等方法,有效避免了并行遗传算法中早熟现象的发生。以北美香菇数据为例,进行并行遗传算法挖掘分类规则,实验说明了该算法在发现和进化规则方面的有效性。     

A parallel cooperative team of multiobjective evolutionary algorithms for motif discovery

When solving a wide range of complex scenarios of a given optimization problem, it is very difficult, if not impossible, to develop a single technique or algorithm that is able to solve all of them adequately. In this case, it is necessary to combine several algorithms by applying the most appropriate one in each case. Parallel computing can be used to improve the quality of the solutions obtained in a cooperative algorithms model. Exchanging information between parallel cooperative algorithms will alter their behavior in terms of solution searching, and it may be more effective than a sequential metaheuristic. For demonstrating this, a parallel cooperative team of four multiobjective evolutionary algorithms based on OpenMP is proposed for solving different scenarios of the Motif Discovery Problem (MDP), which is an important real-world problem in the biological domain. As we will see, the results show that the application of a properly configured parallel cooperative team achieves high quality solutions when solving the addressed problem, improving those achieved by the algorithms executed independently for a much longer time.     

Constrained multilinear detection for faster functional motif discovery

The Graph Motif problem asks whether a given multiset of colors appears on a connected subgraph of a vertex-colored graph. The fastest known parameterized algorithm for this problem is based on a reduction to the k-Multilinear Detection (k-MlD) problem: the detection of multilinear terms of total degree k in polynomials presented as circuits. We revisit k-MlD and define k-CMlD, a constrained version of it which reflects Graph Motif more faithfully. We then give a fast algorithm for k-CMlD. As a result we obtain faster parameterized algorithms for Graph Motif and variants of it.     

一种分布式全局频繁闭项目集快速挖掘更新算法

在数据挖掘研究中,频繁闭项目集挖掘成为重要的研究方向.目前已有的频繁闭项目集挖掘算法主要针对单机环境,有关分布式环境下的全局频繁闭项目集挖掘算法的研究尚不多见.针对无共享体系结构数据水平分布的情况,提出了一种分布式快速挖掘全局频繁闭项目集增量式更新算法,算法通过对各节点候选频繁项目集进行预处理,有效地降低网络通信量,提高全局频繁闭项目集挖掘算法的效率,该算法充分利用前次挖掘结果来发现新的全局频繁闭项目集,具有较高的效率.理论分析和实验结果表明算法是有效的.