一种基于HMM的蛋白质侧链旋转异构体构造方法

蛋白质侧链预测是蛋白质结构预测以及蛋白质设计中非常重要的子问题,而旋转异构体库的构造是进行侧链预测的基础,为预测提供搜索空间.现有的旋转异构体库考虑的是单个氨基酸的统计信息,没有考虑与之相邻的氨基酸对其构象产生的影响.本文提出一种基于隐马尔科夫模型的旋转异构体库构造方法,将相邻氨基酸的构象信息也考虑进来,产生与序列相关的旋转异构体库.并采用蛋白质预测程序Rosetta对CASP8中的12个自由建模蛋白质在本文提出的旋转异构体库基础上进行侧链预测,与基于经典的旋转异构体库的侧链预测结果相比,在预测精度上有了一定的提高.     

一种蛋白质点突变计算机预测的并行模型

认识和预测蛋白质天然构象的波动对蛋白质-蛋白质对接和设计等应用是非常重要的.但是许多骨架柔性的方法会导致骨架较大幅度的波动.Backrub模型能够对骨架进行微小的扰动,符合高分辨率晶体结构中观察到的构象的微妙变化.本文提出了一种基于Backrub的并行扰动骨架和侧链的模型,可以对天然构象的等价状态进行模拟.这种并行扰动方式更加接近于真实情况下蛋白质构象的运动方式,更好地模拟了实验数据.通过预测10个点突变实例,相比串行随机扰动模型产生的构象,并行模型不仅从时间上提高了产生构象的速度,更提高了侧链的预测精度.     

基于侧链技术的供应链溯源系统设计

采用中心化设计的供应链溯源系统的性能提升依赖于中心服务器,且存在监管追责难、中间流转节点多、数据不透明等问题。为此,将区块链技术应用于供应链溯源领域,设计并实现一种基于侧链技术的供应链溯源系统。通过以太坊智能合约实现供应链中的货物管理、信息共享与产品溯源,利用侧链技术对以太坊进行扩容,使其满足实际应用的需求。实验结果表明,该系统能够对供应链上的产品进行全生命周期的追踪溯源,方便用户验证、查询以及第三方监管,且其吞吐量高达200 TPS,每笔交易开销低至0.07元。     

基于关联规则与遗传算法的蛋白质二级结构预测

文章通过建立蛋白质二级结构预测的数学模型,运用挖掘与遗传算法相结合的关联规则技术对蛋白质二级结构进行预测,设计并实现了该原型系统。实验表明,该文所采用的基于蛋白质氨基酸疏水性周期规律的预测模型方法较其它相关的二级结构预测方法有较好的准确性、有效性与可行性。     

基于蛋白质CGR的线粒体蛋白质序列比对

利用蛋白质混沌游走表示法（PCGR）提出一种新的蛋白质序列比对方法。通过计算两序列之间的PCGR点距离,就可以找到所有的局部相似片断。根据氨基酸的化学物理性质把氨基酸分成4和7类,针对分类与无分类的各种情况进行蛋白质序列比对。为了更直观地描述比对结果,采用点阵图来表示比对数据,不仅能显示两序列间所有相同片断,还可以体现出序列的相似性。     

基于遗传算法的蛋白质复合物识别算法

蛋白质互作用网络是一种典型的复杂网络,呈现了明显的社区结构。网络中的社区对应于功能模块,通常被看作蛋白质复合物。蛋白质复合物识别对预测蛋白质功能,解释特定生物进程具有重要作用。基于种子节点扩展的图聚类方法在蛋白质复合物识别中应用广泛。针对此类算法最终结果受种子节点的影响较大,并且在簇的形成过程中搜索空间有限等问题,提出了一种基于遗传算法的蛋白质复合物识别算法GAGC(genetic algorithm based graph clustering),其中个体表示聚类结果(类别之间可能存在重叠节点),以F-measure值作为种群进化的目标函数。算法采用IPCA(improvement development clustering algorithm)算法产生初始种群;针对初始种群,设计了染色体对齐方式以进行交叉操作产生下一代种群。通过与DPClus、MCODE、IPCA、Cluster One、HC-PIN、CFinder等经典算法的对比实验表明,GAGC算法能够扩大图聚类算法的搜索空间,提高解的多样性,进而提高蛋白质复合物检测的性能。     

基于并行遗传算法的蛋白质空间结构预测

1 前言蛋白质是生命的基础。从细胞分裂到细胞运动,从代谢到免疫,已知的生物功能没有一个能够离开蛋白质而实现。一个典型的细胞可能含有的蛋白质种类就有大约10万种,而且每种蛋白质的作用都不尽相同。更进一步,基因是生物细胞中的遗传物质,它也必须以蛋白质形式表达出来,才能显示出生物的各种遗传性状。因此,对于蛋白质的研究在生命科学中是最重要的课题之一。     

基于数据驱动的用户侧储能安装潜力分层评估方法

用户侧分布式储能是安装在配电侧和用户处的储能装置,可以发挥平滑负载、提高供电可靠性和经济性的作用。在分布式储能经济性分析的基础上,提出了基于数据驱动的用户侧储能安装潜力分层评估方法,从优先评估和精细评估两个层面评估用户安装储能装置的潜力,为电网公司筛选用户安装储能装置提供了有效方法。结合常州市11家典型大工业用户实际数据进行仿真分析,验证了此评估方法的准确性与可行性。     

Oian基于神经网络的蛋白质序列分类研究

提出了基于Levenberg-Marquardt(LM)算法的BP神经网络对蛋白质序列进行家族分类的新方法．该方法采用二肽含量对蛋白质序列进行特征提取，根据影响因子评价特征的相对重要性，用改进的BP神经网络LM优化算法构造一个三层人工神经网络，通过对PIR数据库中三类家族的学习，该网络对未知蛋白质序列分类的准确率分别达到了98．9％．98．1％，97．8％。     

基于多链拓展编码方案的量子遗传算法

为了提高量子遗传算法的性能,提出了一种基于多链拓展编码方案的量子遗传算法。根据编码方案,将每个量子位分解为多个并列的基因,有效地拓展了搜索空间;结合编码方案提出量子更新策略,并引入了动态调整旋转角机制对个体进行更新,使用量子非门变异策略实现量子变异。仿真实验中,分析了使用不同变异概率[0,0.1,…,0.9,1]时对算法性能的影响,对比了分别使用普通量子遗传算法、双链编码方案、三链编码方案以及四链编码方案的量子遗传算法在优化函数极值问题时算法的性能。实验结果证明,通过增加基因链可以显著提高算法的性能,多链拓展编码方案可以提高量子遗传算法的性能,是有效的。     

遗传算法与生物界进化相比存在的不足及改进

将传统的遗传算法和生物界进化相比较，指出了两个引起遗传算法收敛速度慢和寻优效率较低的原因：①遗传算法并没有模拟生物界进化中选择压力的变化和种群数量的变化，使得优秀基因无法在种群中迅速占领统制地位；②遗传算法用交叉（Crossover）模拟生物界进化的交配并没有保证基因的稳定性，使得交叉（Crossover）在某种意义上退化为变异（Mutation），这使得优秀基因在变异（Mutation）中迅速退化。针对上述两个问题的改进进行了初步的探讨，对传统的遗传算法进行了相应的改进。     

混合遗传算法及与标准遗传算法对比研究

文章详尽地阐述了1996年Pham和Jin提出的一种运用改进繁殖机制的遗传模型,称为混合遗传算法(HGA,HybridGeneticAlgorithm),并对HGA和GA(GeneticAlgorithm)的效能进行了对比性分析。理论与实验结果表明混合遗传算法收敛性明显快于标准遗传算法。     

原对偶遗传与蚁群算法的融合

原对偶遗传算法(PDGA)较好地保持了种群的多样性和较强的稳定性,改善了在搜索空间里的搜索能力,使搜索更为有效,但没有利用系统中的反馈信息,导致无为的冗余迭代,求解效率不高。而蚁群算法是通过信息素的累积和更新来收敛于最优路径,具有分布、并行、全局收敛能力,但是搜索初期信息素匮乏,导致算法速度慢。通过将两种算法进行融合,克服两种算法各自的缺陷,优势互补,形成一种全局寻优性能好,稳定性强,效率高的启发式算法,通过仿真计算,表明融合算法的性能优于遗传算法,原对偶遗传算法和蚁群算法。     

Job-Shop调度问题的遗传算法研究

本文针对最小化最大完工时间的Job-Shop调度问题，提出了一种新型的遗传算法。与局部查找算法结合利用一种新型的染色体编码方法，并引入种群间的竞争，实现目标的全局最优化。     

遗传算法与蚂蚁算法的融合

遗传算法具有快速随机的全局搜索能力，但对于系统中的反馈信息利用却无能为力，当求解到一定范围时往往做大量无为的冗余迭代，求精确解效率低．蚂蚁算法是通过信息素的累积和更新收敛于最优路径上，具有分布式并行全局搜索能力，但初期信息素匮乏，求解速度慢，算法是将遗传算法与蚂蚁算法融合，采用遗传算法生成信息素分布，利用蚂蚁算法求精确解，优势互补，仿真表明取得了非常好的效果。     

实数编码混沌量子遗传算法

基于量子位的混沌特性和相干特性,提出一种实数编码混沌量子遗传算法（RCQGA）．该算法在解空间内将实数染色体通过反向变换映射到量子位,采用量子位概率指导的实数交叉与混沌变异相结合的方法对实数染色体进行演化搜索．实验结果表明,RCQGA不仅可以有效避免二进制编码QGA早熟收敛的缺点,而且可以减少寻优的计算复杂度,具有收敛速度快、稳定性好、寻优能力强、精度提高容易等优点,适用于工程应用中的复杂函数优化问题．     

基于遗传算法的发动机需求量组合预测方法

阐述了基于改进遗传算法组合预测的原理，给出了此类组合预测的建模方法及有效性评价指标。在军用航空发动机采购需求量的预测中，运用计算机仿真的方法对比了多种预测方法，验证了组合预测法的有效性和准确性。     

基于均匀设计的并行变异遗传算法

针对标准遗传算法易陷入局部最优和局部搜索能力差的缺陷,提出一种基于完全均匀设计的并行变异遗传算法(U D-PMGA)。首先用完全均匀设计方法获得多样性良好的初始种群,之后提出两种改进的锦标赛选择机制,一种改进方法取适应度较高的50%个体覆盖整个群体,另一种改进是用适应度较高且各自不同的50%个体覆盖整个群体。把适应度相近且空间距离较远的两个个体作为交叉对象以提高交叉操作的搜索效率。最后用自适应变异比例和自适应变异步长相结合的并行变异搜索策略提高算法的收敛速度和搜索精度。通过测试函数仿真,并与其它算法比较,验证了UD-PMGA算法的有效性与先进性。     

遗传算法及其并行性研究

遗传算法是一种解决优化问题的方法。经过多年的发展,已经在很多领域取得了成功的应用。而传统的遗传算法经过改进,产生了各种改进后的遗传算法,而并行性是遗传算法改进的重点突破方向,重点研究了遗传算法的并行性。并结合项目开发出实例。     

一种新的遗传混沌优化组合方法

在分析了遗传算法与混沌优化方法的优缺点的基础上, 提出了一种新的遗传混沌优化组合方法. 该算法能克服混沌优化在大范围内失效的缺点, 并能提高遗传算法的局部搜索能力和搜索精度. 同时证明该算法能以概率 1收敛到全局最优值. 应用该方法对 6个测试函数进行优化计算得到了比较满意的结果.