基于h-距离的DNA编码序列设计

针对DNA编码序列设计问题,将其转换为带约束的多目标优化问题,在单链DNA集合中引入h-距离,构造了DNA序列间的共享函数,应用小种群遗传算法,对DNA编码序列设计问题进行求解。与已有结果比较,算法可以得到更好的DNA序列且计算效率较高。算法可用于DNA计算中编码序列的具体设计。     

基于改进的粒子群遗传算法的DNA编码序列优化

在DNA计算中,DNA编码序列的设计是影响DNA计算可靠性的重要手段.在不同的DNA序列设计中,应该选择适当的约束条件,并且根据相应的约束条件提出每个DNA应该相应满足的评估公式.文中从DNA编码设计应满足的多约束条件中选取适当的约束条件,提出评估公式,并采用改进的粒子群遗传算法来解决多目标优化问题.同时根据得到的序列与已有序列在综合适应度函数结果上进行对比,结果证明了该方法的有效性.     

基于混合蚁群算法的DNA编码序列设计方法

通过将遗传算法中的交叉、变异操作与蚁群算法中的协同模型进行结合,提出了一种基于混合蚁群算法的DNA编码序列设计方案.实验表明,该算法具有较高的收敛速度,能为DNA计算提供可靠的编码序列.     

基于改进非支配遗传算法的DNA编码序列优化方法

针对DNA计算中的编码序列设计问题,分析了DNA编码序列设计的目标和需要满足的约束条件,并建立了相应的数学模型。通过将约束条件引入非支配排序过程,提出了一种改进的NSGA-Ⅱ算法。实验结果表明,该算法具有良好的收敛特性和种群多样性,能为可控的DNA计算提供可靠的编码序列。     

DNA计算中编码序列的过滤函数研究

构造了用于DNA编码序列过滤的函数,并给出了DNA序列编码的算法,采用该文设计的过滤函数和算法所得到的DNA编码序列,能够满足一定的组合约束条件,并满足一定热力学条件,大大提高了DNA编码字的质量,有利于提高DNA计算的可靠性。     

基于聚类小生境遗传算法的DNA编码优化

DNA编码优化问题是DNA计算中的核心问题。分析DNA编码优化的约束条件,在单链DNA序列集合上引入h距离,将聚类小生境技术应用于小种群遗传算法的构造,对DNA编码优化问题进行求解。基于h距离定义DNA序列间的相似函数,将碱基字母编码为4进制整数、DNA编码序列作为个体编码为4进制整数向量、种群编码为4进制整数矩阵,基于模4算术运算,构造相应的遗传算子,并给出DNA编码序列的具体计算结果。实验结果表明,与现有DNA编码序列优化结果相比,该算法可得到更好的DNA编码序列且计算效率较高。     

DNA遗传算法研究

DNA计算与遗传算法的集成起了科学界的广泛关注。交叉操作是DNA遗传算法（DNA-GA）的核心,其效率和精度直接影响到计算结果。论文主要介绍了DNA-GA计算过程中的交叉、变异问题及已有的几种主要的交叉变异方法,最后指出了DNA-GA存在的问题及研究方向。     

基于DNA编码遗传算法构造广义决策树的研究

决策树是归纳学习和数据挖掘的重要方法,主要用于分类和预测。文章引入了广义决策树的概念,实现了分类规则集和决策树结构的统一。同时,提出一种新颖的基于DNA编码遗传算法构造决策树的方法。先用C4．5算法对数据集进行分类得到初始规则集,再通过文章中算法优化规则集并由此构建决策树。实验证明了该方法有效地避免了传统决策树构建过程的缺点,且有较好的并行性。     

基于离散粒子群的DNA编码序列组合优化方法

本文分析了DNA编码序列设计的目标及需要满足的约束条件H-measure、连续性、相似度、发夹结构、GC含量等约束,建立一种组合优化评价模型,通过引入基于权重的适应度函数来评价DNA序列集合的优劣,最后提出基于该模型的离散粒子群优化算法(DPSO)生成有效的DNA编码序列.根据优化问题的约束条件及离散量的特点,对粒子的...     

一种基于编码等价变换和遗传算法的DNA序列优化设计

针对DNA计算中的DNA序列设计问题,基于6个DNA序列设计约束条件,将DNA序列设计问题转化为多目标优化问题,提出小生境遗传算法进行求解。算法利用DNA序列设计中的相似性约束与H-测度约束,在单链DNA序列集合上定义共享函数,利用两种类型的编码等价变换以及模4算术运算,构造了5个遗传算子,并给出具体的DNA序列设计结果。通过比较,算法可以得到质量更好的DNA序列,且在种群规模与进化代数方面具有更高的计算效率。     

基于DNA的连续优化算法

用遗传算法进行函数优化已得到了较好应用。与遗传算法相比,DNA的编码更具丰富性,译码更具多样性,基因级操作更灵活,且更容易用DNA计算机实现。鉴于基于DNA的函数优化研究还较少,提出了一种基于DNA的连续优化算法。该算法用表示DNA的基本元素符号进行碥码,用其对应的密码子表征变量参数,用DNA的复制、重组、变异和倒位等操作实现对解空间的搜索。在这些过程中,参考了精英保留策略和模拟退火算法等思想方法,采取了若干加快收敛、同时满足搜索多样性要求的措施,以使算法加快收敛且不易早熟和陷入局部最优。计算机仿真实验表明该算法具有收敛快,精度高等特点,效果令人满意。     

基于文化遗传算法的水浴温度模糊控制器设计

水浴温度控制普遍存在滞后、超调、波动性大等特点,且难以建立精确的数学模型,一般采用模糊控制器实现对水浴温度的控制,但模糊控制规则具有较强的主观性,其控制性能往往达不到客观要求。研究遗传算法在模糊控制规则寻优上的应用,将其和文化算法相结合,构成一种具有双层协同进化机制的文化遗传算法,采用专家经验的知识信息构成信仰空间作为指导方向,然后在群体空间中进行遗传算法操作,选取群体中适应度值较高的个体更新信仰空间,再通过迭代优化,得到适应度值高的个体,将其作为优化的模糊控制规则。仿真实验表明,优化后的规则在控制过程中的动态温度跟踪和稳态误差方面均具有较好的效果。     

基于DNA计算的混合遗传算法研究*

提出一种混合遗传算法。该算法从微观策略和宏观遗传策略两方面考虑,在微观方面将DNA计算引入到交叉算子和变异算子中;在宏观方面提出一种以遗传算法流程为基础,引入改进的小生境模拟退火操作,构造合理的混合框架。典型算例的实验结果表明,该算法有效,收敛性好。     

基于模式学习的文化遗传算法研究

针对遗传算法的缺陷,提出了一种基于模式学习的文化遗传算法,该算法将遗传算法纳入文化算法框架,组成基于GA的主群体空间和信念空间两大空间,主群体空间在进化过程中定期组织最差个体向信念空间提供的种群最优模式学习,从而充分利用了优秀个体所包含的特征信息,在很大程度上提高了收敛速度。实验结果表明,该算法是一种提高遗传算法性能的有效算法。     

QoS多播路由算法研究

随着当前Intemet的发展和各种多媒体应用的出现,多播技术得到大量应用。多播路由算法主要用来建立一棵性能良好的多播树,并使它能够满足各种业务的服务质量需求。将多种群并行技术和退火技术相结合,克服了基于标准遗传算法的多播路由算法过早收敛和后期搜索速度较慢的缺陷,且使用树状编码方法,提出求解带宽、时延、时延抖动和分组丢失率约束的代价最小多播树的多种群并行退火遗传多播路由算法。对QoS多播路由选择问题进行了描述,给出多种群并行退火多播路由遗传算法和一种有效去除冗余信息的遗传算法编码设计技术,通过仿真实验证明了算法的正确性,分析了算法的时间性能,表明该算法快速有效。     

基于遗传算法的功能可重构数字体系研究

本文主要对基于遗传算法的功能可重构数字体系进行了研究。首先对广泛用于算法级可重构电路设计中的遗传算法的基本思想作简要介绍,然后分析了现有的典型算法级功能可重构电路结构的特点,针对其中的不足,提出了一种基于遗传算法的自重构片上系统的设计方法。     

文化遗传算法的研究及其在函数优化中的应用

为了提高遗传算法的性能,将遗传算法纳入到文化算法框架中组成群体空间和信念空间,提出一种新的优化算法。在群体空间的遗传进化过程中引入随机种群来增加算法的勘探能力,并组织较差个体依概率与信念空间中更新后的优秀个体进行交叉操作;在信念空间充分利用对优秀个体所包含信息的开采能力并采用耗散结构来提高整个空间的自组织能力,更新优秀个体,在很大程度上提高了算法的速度和效率。实验结果表明,新算法能有效地应用于函数优化。     

基于SDNA-GA 优化的模糊神经网络控制

针对最新的生物DNA研究,病毒中同一DNA碱基顺序可以编码出2条或者3条不同的多肽链.在此基础上分析与模仿了重叠基因和重叠密码的机理,得到一种新的基于重叠基因编码框架,从而提高了问题求解的效率;同时,得到一种移码解读框架的DNA遗传算法(SDNA-GA)计算模型,并将其应用于一类广义隶属度型T-S模糊神经网络控制器(GTS-FNNC)的优化设计,实现了GTS-FNNC的在线学习.     

连通度问题的三维DNA结构进化算法

针对求连通度这一难解问题,提出了三维DNA图结构进化算法。并提出了一种由k-臂DNA分子构建的图结构。在所述方法中3、4臂DNA分子的顶点构造块被选择性地用来构建一些不同的图结构。然后通过凝胶电泳分离,图的连通度便可确定。并且通过引入进化算法的思想,避免了解空间的穷举。     

DNA fragment assembly using a grid-based genetic algorithm

In this paper we propose a genetic algorithm (GA) for solving the DNA fragment assembly problem in a computational grid. The algorithm, which is named GrEA, is a steady-state GA which uses a panmitic population, and it is based on computing parallel function evaluations in an asynchronous way. We have implemented GrEA on top of the Condor system, and we have used it to solve the DNA assembly problem. This is an NP-hard combinatorial optimization problem which is growing in importance and complexity as more research centers become involved on sequencing new genomes. While previous works on this problem have usually faced 30 K base pairs (bps) long instances, we have tackled here a 77 K bps long one to show how a grid system can move research forward. After analyzing the basic grid algorithm, we have studied the use of an improvement method to still enhance its scalability. Then, by using a grid composed of up to 150 computers, we have achieved time reductions from tens of days down to a few hours, and we have obtained near optimal solutions when solving the 77 K bps long instance (773 fragments). We conclude that our proposal is a promising approach to take advantage of a grid system to solve large DNA fragment assembly problem instances and also to learn more about grid metaheuristics as a new class of algorithms for really challenging problems.