精确覆盖问题的O(1.414~n)链数DNA计算机算法

DNA计算机的可扩展性问题是近年来生物计算领域的重要研究重点之一.根据精确覆盖问题DNA计算求解过程中的并行计算需求,将Aldeman-Lipton模型的操作与粘贴模型的解空间结合,引入荧光标记和凝胶电泳技术,提出了一种求解精确覆盖问题的DNA计算模型和基于分治方法的DNA计算机算法.算法由初始解空间生成算法Init()、冗余解删除算法IllegalRemove()和并行搜索器ParallelSeacher()共3个子算法组成.与同类算法的性能比较分析表明:本算法在保持多项式生物操作复杂性的条件下,将求解n维精确覆盖问题的DNA链数从O(2n)减少至O(1.414n),从而将DNA计算机在试管内可求解的精确覆盖问题集合的基数从60提高到120,改进了相关文献的研究结果.     

基于质粒分子数子集O（1．414^n）DNA计算机算法

文章提出了一种求解背包问题的新的基于质粒DNA计算机算法.本算法的DNA链数可达到亚指数的O(1.414n),其中n为背包问题的维数.将提出的算法与已有文献结论进行的时比分析表明:本算法将穷举算法中所需的DNA链数从O(2n)减少至O(1.414n),因此利用本DNA计算机算法在试管级水平上能将可破解的背包公钥的维数从60提高到120,显示出了一定的优越性.     

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。     

基于分治的背包问题DNA计算机算法

DNA计算机研究的重要内容是关于如何减少DNA计算机在求解大型难解问题中以问题输入纯指数增长的DNA链数。本文将分治策略应用于背包问题的DNA分子计算中,提出了一种新的DNA计算机求解背包问题的算法。背包问题的算法由咒位并行减法器、咒位数据搜索器和其他的4个子算法组成。     

基于分治的背包问题DNA计算机算法

如何减少DNA计算机在求解大型难解问题中以问题输入纯指数增长的DNA链数,已成为DNA计算机研究的重要内容.将分治策略应用于背包问题的DNA分子计算中,提出一种求解背包问题的新的DNA计算机算法.算法由n位并行减法器、n位数据搜索器和其他4个子算法组成.算法的DNA链数可达到亚指数的O(2q/2),其中q为背包问题的维数.与最近文献结论进行的对比分析表明:算法将求解背包问题所需的DNA链数从O(2q)减少至O(2q/2),最大链长度减少为原来的1/2,因此,理论上新算法在试管级水平上能将可破解的背包公钥的维数从60提高到120.     

基于分治的子集积问题DNA计算机算法

如何减少DNA计算机在求解大型科学问题中以问题输入纯指数增长的DNA链数，已成为DNA计算机研究的重要内容。本文将分治策略应用于子集积问题的DNA分子计算中，提出一种求解子集积问题的新的DNA计算机算法。该算法由n位数据搜索器和其它五个子算法组成，其DNA链数可达到亚指数的O（2^q/2），其中q为子集积问题的维数。与最近文献结结论进行的对比分析表明：新算法将求解子集积问题所需的DNA链数从O（2^q）减少至O（2^q/2），最大链长度减少为原来的1／2。因此，利用新算法在试管级水平上能将可
破解的子集积公钥的维数从60提高到120。     

一种最大匹配问题DNA计算算法

DNA计算作为基于生化反应的一种新的计算模式,凭借其巨大的并行性和海量的存储能力已经成为解决NP难题的潜在解决方案之一.把传统计算机中的剪枝技术引入到DNA计算算法的设计中,提出一种基于Adleman模型生物操作与粘贴模型解空间的最大匹配问题DNA计算新算法.算法由图编排器、预解空间生成器、匹配生成器及最大匹配搜索器组成.与已有同类算法的对比分析表明:该算法在保持多项式操作时间的条件下,将求解最大匹配的解空间从O(2m)减少到O(1.618m),将DNA计算机在试管内可求解的最大匹配问题的规模从60(260≈1018)提高到86(1.61886≈1018).同时,与传统的穷举算法相比,该算法具有高效的空间利用率及容错技术的优点.     

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。     

一种基于DNA计算的指定结点路由算法

带指定结点约束的路由问题是一个NP难问题,该问题是电信行业路山智能化和交通电力运输等领域的关键问题之一.基于DNA计算的高度并行性,文中提出一种将电子计算机与DNA计算机相结合的方法求解指定结点路由问题.算法由转化算法Transform()、首末结点搜索切割算法FirstEndSearcher()、转化图结果搜索算法DNASearcher()和结果读取算法ResultReader()共4个子算法组成.分析表明:算法的电子计算机部分缩小了问题结点和边的规模,从而使解决问题所需的DNA分子链数数量级从O((n-2)!)减少至O((m-2)!)(n≥2为图中结点数,m≥2为图中指定必经结点数).算法的DNA计算机部分采用了有针对性的DNA编码新方案,提高了边权值编码的信噪比,通过一系列生物操作,筛选出问题的精确解.和单纯DNA超级计算或电子计算机指定结点路由算法相比,文中算法可显著扩大理论上待求解问题的规模.     

背包问题DNA算法的反应设计及其生物实现(英文)

有关背包问题的DNA算法近年来得到重视,文中实现了求解背包问题的并行搜索解的实验,通过最优的方法完成有限容量背包的物品选择．展示了面向反应的DNA片段设计,计算过程为溶液DNA高效连接反应,反应结果分别用定量（PCR）和定性（测序）两种方法检测．文中的方法适用于多重约束条件的优化问题．     

收缩背包问题的DNA算法

收缩背包问题是标准背包问题的一个扩展，其中背包的容量为所装物品数量的非增函数。本文提出了基于分子生物技术的求解收缩背包问题的DNA算法，首先将其约束条件进行分解；然后设计一系列与物品重量相对应的寡聚核苷酸片断及其链接模板，在链接酶的作用下将它们进行链接反应，生成代表任意物品组合的DNA链；再通过基本的生物操
作筛选出可行解；最后比较各个可行解对应的目标函数值，进而得到最优解。     

基于核算法解决多维多选择背包问题

针对目前尚无多维多选择背包问题(MMKP)高效核算法的现状,提出用多种方法来构造处理这种类型背包的核。首先论述了如何在一般背包问题中获得核;接着根据事先设定的度量指标详细讨论了MMKP的基本解和两种排序关系,并利用三种备选方案得出MMKP的核,亦即子空间。第一种方案是基于观察数据E[lc]和E[d∞]比较小来得到核;第二种方案基于基本解和最优解的曼哈顿距离不算太远来实施;第三种方案是为所有元素定义一个全序并取第一组k元素作为核。比较了这三种方案的不同与优劣,结果表明：第一种方案比其他两种方案无论从定义子空间的精度和枚举时间平均值上,性能都更优越,利用该方案定义的核能高效解决MMKP。     

贪心核加速动态规划算法求解折扣{0-1}背包问题

针对现有动态规划算法求解折扣{0-1}背包问题（D{0-1}KP）缓慢的问题，基于动态规划思想并结合新型贪心修复优化算法（NGROA）与核算法，通过缩小问题规模加速问题求解来提出一种贪心核加速动态规划（GCADP）算法。首先利用NGROA对问题进行贪心求解，得到非完整项；然后通过计算得到模糊核区间的半径和模糊核区间范围；最后对于模糊核区间内的物品及同一项集内的物品利用基础动态规划（BDP）算法求解。实验结果表明：GCADP算法适用于求解D{0-1}KP，且在求解速度上相比BDP算法平均提升了76.24%，相比FirEGA算法平均提升了75.07%。     

基于Lagrange插值的学习猴群算法求解折扣｛0-1｝背包问题

折扣｛0-1｝背包问题（D｛0-1｝KP）的目的是在不超过背包载重的前提下，使得装入背包的所有物品价值系数之和为最大。针对已有算法在求解规模大、复杂度高的D｛0-1｝KP时的求解精度低的问题，提出了Lagrange插值的学习猴群算法（LSTMA）。首先，在基本猴群算法的望过程中重新定义了视野长度；其次，在跳过程中引入了种群中最优的个体作为第二个支点，并调整搜索机制；最后，在跳过程之后引入Lagrange插值操作来提高算法的搜索性能。对四类实例的仿真结果表明：LSTMA在求解D｛0-1｝KP时的求解精度高于对比算法，并且具有良好的鲁棒性。     

基于Lagrange插值的学习猴群算法求解折扣｛0-1｝背包问题

折扣｛0-1｝背包问题（D｛0-1｝KP）的目的是在不超过背包载重的前提下,使得装入背包的所有物品价值系数之和为最大。针对已有算法在求解规模大、复杂度高的D｛0-1｝KP时的求解精度低的问题,提出了Lagrange插值的学习猴群算法（LSTMA）。首先,在基本猴群算法的望过程中重新定义了视野长度;其次,在跳过程中引入了种群中最优的个体作为第二个支点,并调整搜索机制;最后,在跳过程之后引入Lagrange插值操作来提高算法的搜索性能。对四类实例的仿真结果表明：LSTMA在求解D｛0-1｝KP时的求解精度高于对比算法,并且具有良好的鲁棒性。     

软件企业CMMI评估系统的UML建模、设计与实现

描述了在软件企业CMMI评估系统开发中，使用UML这种面向系统并且支持系统开发全部过程的建横工具。完成了系统的分析与设计。并且给出了KP(Key Process)的量化标准，帮助企业有针对性地改进软件的开发过程。     

求解折扣{0-1}背包问题的新遗传算法

折扣{0-1}背包问题（Discounted {0-1} Knapsack Problem,D{0-1}KP）是比0-1背包还要难以求解的NP-hard问题。提出了一种求解D{0-1}KP的新遗传算法GADKP。GADKP针对D{0-1}KP问题本身结构特征,借鉴启发式搜索思想设计了3种有效的交叉算子和1种变异算子。4种算子的操作都能够保证进化过程中解的可行性;3种交叉算子从3个不同的角度提高算法的搜索能力;变异算子采用逐层贪心机制提高个体的局部开发能力。通过4组共40个D{0-1}KP实例测试,和已有的求解D{0-1}KP的遗传算法相比,GADKP求解精度更高,是一种新颖有效的求解D{0-1}KP的方法。     

折扣{0-1}背包问题的简化新模型及遗传算法求解

当前折扣{0-1}背包问题（D{0-1}KP）模型将折扣关系作为一个新的个体，导致求解过程必需采取修复法对个体编码进行修复，求解方式较少。针对求解方法单一的问题，通过改变模型中二进制的编码表达方式，提出折扣关系不在个体编码中的表达方法。首先，设定对任意折扣关系，当且仅当所涉及个体编码值同时为1（即其乘积为1）时，折扣关系成立，据此建立简化折扣{0-1}背包问题（SD{0-1}KP）模型；然后，针对SD{0-1}KP模型，基于杰出者保留策略（EGA），结合贪心策略（GRE），提出改进遗传算法——第一遗传算法（FG）；最后，再结合罚函数法，提出求解SD{0-1}KP高精度罚函数法——第二遗传算法（SG）。结果表明，SD{0-1}KP能够完全覆盖D{0-1}KP问题领域，与FirEGA相比，所提出的两类算法在求解速度方面优势明显，且SG算法首次引入罚函数法，有效地丰富了该问题的求解算法。     

Solving 0-1 knapsack problem by greedy degree and expectation efficiency

It is well known that 0-1 knapsack problem (KP01) plays an important role in both computing theory and real life application. Due to its NP-hardness, lots of impressive research work has been performed on many variants of the problem. Inspired by region partition of items, an effective hybrid algorithm based on greedy degree and expectation efficiency (GDEE) is presented in this paper. In the proposed algorithm, initially determinate items region, candidate items region and unknown items region are generated to direct the selection of items. A greedy degree model inspired by greedy strategy is devised to select some items as initially determinate region. Dynamic expectation efficiency strategy is designed and used to select some other items as candidate region, and the remaining items are regarded as unknown region. To obtain the final items to which the best profit corresponds, static expectation efficiency strategy is proposed whilst the parallel computing method is adopted to update the objective function value. Extensive numerical investigations based on a large number of instances are conducted. The proposed GDEE algorithm is evaluated against chemical reaction optimization algorithm and modified discrete shuffled frog leaping algorithm. The comparative results show that GDEE is much more effective in solving KP01 than other algorithms and that it is a promising tool for solving combinatorial optimization problems such as resource allocation and production scheduling.