进化算法及其在生物信息中的应用出版时间:2014年版丛编项: 计算机应用与教育丛书内容简介 《计算机应用与教育丛书:进化算法及其在生物信息中的应用》共分7章,第1章介绍了进化算法的种类和生物信息的主要概念;第2章介绍了PS0和OPS0算法的基本原理和基本进化方程;第3章介绍了基于选择操作的QPS0算法;并从理论上证明了算法具有全局收敛性;第4章介绍了生物信息中多序列比对的问题;第5章介绍了代谢网络中代谢流的优化问题;第6章介绍了发酵中培养基的优化问题;第7章介绍了基于多样性QPSO算法的基因数据聚类。《计算机应用与教育丛书:进化算法及其在生物信息中的应用》可供计算机专业、人工智能专业、生物信息专业从业人员参考。目录第1章 绪论1.1 进化算法1.1.1 遗传算法1.1.2 遗传规划1.1.3 进化策略1.1.4 进化规划1.1.5 粒子群优化算法1.1.6 量子粒子群优化算法1.2 生物信息学1.2.1 生物信息学的起源1.2.2 生物信息学的概念1.2.3 生物信息学的主要研究内容1.3 最优化理论1.3.1 最优化问题1.3.2 局部优化算法1.3.3 全局优化算法1.3.4 最优化问题的求解1.4 本书的主要内容第2章 粒子群优化算法和量子粒子群优化算法2.1 粒子群优化算法2.1.1 基本粒子群算法2.1.2 带惯性权重w的粒子群算法2.1.3 带收缩因子x的粒子群算法2.2 量子粒子群优化算法2.2.1 d势阱模型的建立2.2.2 粒子的基本进化方程2.2.3 OPS0算法的流程2.3 OPS0算法收敛性分析2.3.1 全局搜索算法的收敛准则2.3.2 局部搜索算法的收敛准则2.3.3 OPS0算法的全局收敛性第3章 基于选择操作的QPSo算法3.1 引言3.2 采用锦标赛选择操作的QPSO算法(QPS0.TS)3.3 采用轮盘赌选择操作的QPSO算法(QPSO-RS)3.4 算法的收敛性分析3.4.1 全局收敛性准则3.4.2 基于选择操作的QPS0算法的全局收敛性3.5 实验结果及分析3.5.1 实验设计3.5.2 实验结果3.6 本章 小结第4章 进化算法在多序列比对中的应用4.1 多序列比对的含义4.2 基于二进制OPSO算法的序列比对4.2.1 二进制的PS0算法(BPS0)4.2.2 二进制的QPS0算法(BQPSO)4.2.3 基于MBPS0或MBOPS0的多序列比对4.2.4 仿真实验和结果4.2.5 结论4.3 基于隐马尔柯夫模型和多样性QPSO算法的多序列比对4.3.1 前言4.3.2 隐马尔柯夫模型4.3.3 基于剖面HMM和QPSO的多序列比对4.3.4 融合多样性的0PSO算法4.3.5 评估训练算法的质量4.3.6 模型的联配问题4.3.7 评估比对序列的质量4.3.8 实验结果4.3.9 结论第5章 基于进化算法的代谢流的评估5.1 代谢流评估5.1.1 化学计量矩阵方法5.1.2 基于13C标记平衡的MFA5.2 基于白适应进化算法和单值分解的方法的代谢通量分析5.2.1 自适应进化算法5.2.2 系统化学计量矩阵约束的单值分解5.2.3 进化算法中不等式约束的处理5.3 基于QPSO及其改进的QPSO算法和罚函数的代谢通量分析5.3.1 罚函数的方法5.3.2 基于QPSO及其改进的QPS0和罚函数的代谢流评估流程5.4 仿真实验及其结果5.5 本章 小结第6章 基于GP和QPSO算法的兽疫链球菌发酵透明质酸培养基的优化6.1 引言6.2 原料和方法6.2.1 微生物和媒介6.2.2 在一个7一1发酵罐中的兽疫链球菌的一组培养基6.3 响应面分析法(RSM)6.4 仿真实验和结果6.4.1 RSM的结果6.4.2 GP的结果6.4.3 使用QPSO算法优化GP评估方程式的参数的结果6.4.4使用QPSO算法优化透明质酸产量的培养基的结果6.5 结论第7章 基于多样性量子行为粒子群优化算法的基因数据聚类7.1 基因数据聚类研究现状7.2 多样性引导的量子粒子群优化算法7.3 基于DGOPSO的聚类算法设计7.4 基于多样性量子行为粒子群算法的基因数据聚类7.4.1 实验数据集7.4.2 基因表达数据聚类实验分析7.4.3 基于粒子群优化的聚类算法比较7.4.4 与一些常用聚类算法的比较7.5 结论第8章 总结与展望附录1 PSO算法程序代码附录2 QPSO算法程序代码附录3 多序列比对程序代码参考文献 上一篇: 混沌神经网络及其应用 下一篇: 统计学习方法 [李航 著]