竞争PSO在多序列联配中的应用

论文提出了一种求解多序列联配的竞争粒子群优化算法,算法根据适应值分类设计了粒子群的惯性权重及其飞行速度范围,并进行了动态调整,提高了算法的收敛速度和精度;引入了重新初始化机制,有效地避免粒子群优化算法可能出现的早熟现象;提出了一种全新的速度更新模式和竞争策略,增强了算法的能力。实验表明该算法是有效的。     

新型模拟进化计算

提出了一种新的模拟进化计算,它模仿新宇宙进化理论中膨胀、收缩两种模式交互作用,推动宇宙进步的过程。膨胀操作提高了种群的多样性和进化算法克服局部收敛的能力,收缩操作吸取了不同群体的优良特性,改善了算法的计算效率,实验结果表明该范式是有效的。     

迁徙差分进化算法及其在RNA二级结构预测中的应用

对优化问题和游牧民族迁徙行为的比较研究表明,两者存在相似之处。模拟游牧民族迁徙机制提出了一种迁徙策略,并且与差分进化算法相结合,提高了算法摆脱局部极值的能力;通过集成技术,充分发挥各种差分进化算法的优点,实现协同进化,提高了算法的全局搜索能力。最后应用于预测RNA二级结构,实验表明,该算法是有效的。     

基于迁徙差分进化算法集成的模体识别

为了克服微分进化的局部收敛问题,通过模拟游牧民族的迁徙机制,提出一种迁徙策略,将其与差分进化算法相结合,得到一种迁徙差分进化算法新范式,利用集成技术,发挥各种差分进化算法的优点,提高算法的全局搜索能力。通过生物序列模体识别实验,验证了该算法的有效性。     

基于免疫GA与Gibbs的模体识别算法

生物序列motif识别问题是当今生物信息学面临的一个复杂问题,要设计一个能识别所有motif的方法几乎是不可能的。针对该问题,在免疫遗传算法中引入了统计估计,提高了motif识别的精度,根据个体的浓度和适应值概率。设计了免疫替换算子,有效地解决了种群的多样性问题,利用Gibbs Sampler算法生成种子,提高了免疫遗传算法的搜索速度,最后得到了一个基于免疫GA与Gibbs Sampler的生物序列motif识别算法,该算法充分发挥了免疫遗传算法和Gibbs Sampler算法的优越性,较好地解决了计算速度和计算精度之间的矛盾。实验表明,该算法是有效的。     

基于免疫粒子群集成的RNA二级结构预测算法

RNA二级结构预测在计算生物学中具有重要意义,针对RNA二级结构预测,提出了一种新的免疫粒子群集成算法,根据个体的浓度和适应值概率,利用免疫机制,在粒子群优化算法中设计了免疫替换算子,有效防止了粒子群优化算法易陷入局部最优的缺陷;通过集成技术,充分发挥各种粒子群优化算法的优点,实现协同演化,提高了算法的全局搜索能力。最后用免疫粒子群集成算法去预测RNA二级结构,实验证明了算法的有效性。     

自适应双向菌群优化算法

提出了自适应双向菌群优化算法,应用聚类思想将趋化步长进行自适应调整,提高算法的局部搜索能力,引入双向游动机制,提高了算法的搜索效率和速度。针对10个复杂Benchmark函数进行了数值优化实验,其结果表明,在所有测试函数中,该算法在搜索能力和稳定性等方面优于其他典型算法的比率达到60%～90%,验证了算法的有效性。     

基于最小生成树的多序列联配算法

多序列联配(MAS)是现代生物信息学中的重要工具之一,MAS问题是NP-难的,因此需要一些启发式方法在合理的时间内联配大的数据集。本文提出了一个基于最小生成树的多序列联配算法,并使用BALiBASE标准数据集合,对我们的算法进行了性能评价,结果表明算法较之ClustalX类的算法其精确度更高。     

一种求解MSA问题的自适应遗传算法

多序列比对(MSA)在生物信息学研究中占有重要地位，MSA问题是一个典型的NP问题，遗传算法是求解NP完全问题的一种有效方法。文章针对MSA问题，提出了一种新型自适应遗传算法，根据群体的多样性自适应调节变异概率，有效消除了算法中的欺骗性条件，使用突变算子来确保算法的搜索能力。整个算法模拟了自然界进化的周期性，较好的解决了群体的多样性和收敛深度的矛盾。算法的分析和测试表明，该算法是有效的。     

自适应变步长菌群优化算法

针对菌群优化算法由于步长固定导致探索能力不强等缺陷,应用聚类思想自适应计算并调整细菌的趋化步长,体现了菌群之间的协同性和智能性行为,有效地提高算法的性能,比如探索能力和开发能力,特别是局部搜索和求精能力。在使用10个复杂的Benchmark函数所进行的对比实验中,所提出的算法在搜索能力和效率等方面优于其他典型算法的比率达到60%～90%,验证了改进算法是一种具有竞争力的优化算法。