發(fā)布時(shí)間：2017-05-11 15:10

  本文關(guān)鍵詞：進(jìn)化算法研究及其在化學(xué)信息學(xué)中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著高強(qiáng)度的篩選技術(shù)、化學(xué)技術(shù)以及測(cè)序技術(shù)的出現(xiàn),基于實(shí)驗(yàn)研究而形成的數(shù)據(jù)信息已經(jīng)越來越多,尤其是在基因表達(dá)數(shù)據(jù)和原子團(tuán)簇問題中�；虮磉_(dá)數(shù)據(jù)的特征選擇問題和原子團(tuán)簇問題都是化學(xué)信息學(xué)中的兩個(gè)基本問題。原因在于:一是基因表達(dá)數(shù)據(jù)的分析可以給疾病的診斷帶來方便。二是,可以通過分析團(tuán)簇的結(jié)構(gòu)來分析原子的結(jié)構(gòu)。由于這兩個(gè)問題都已經(jīng)被證明是NP-難問題,以往的研究表明,對(duì)于NP-難問題來說,不太可能采用多項(xiàng)式內(nèi)的復(fù)雜度的算法來求解這些問題。因此,在本文中主要采用兩種進(jìn)化算法,分別是生物地理學(xué)算法和微分進(jìn)化算法解決基因表達(dá)數(shù)據(jù)的特征選擇問題和原子團(tuán)簇問題,具體內(nèi)容如下:(1)提出了一種基于生物地理學(xué)算法的多目標(biāo)離散算法,首先采用Fisher Markov selector來選擇六十個(gè)最高分?jǐn)?shù)的特征。接下來將選擇出來的六十個(gè)特征將會(huì)作為多目標(biāo)離散生物地理學(xué)算法的初始特征。再者,受到遺傳算法的啟發(fā),提出了離散的遷移模型和變異模型。結(jié)合提出的離散生物地理學(xué)算法,研究了如何使用非支配排序的方法和擁擠距離方法來選擇特征選擇的兩種目標(biāo):最小子集和最大精度,最終提出多目標(biāo)離散生物地理學(xué)算法。為了說明算法的優(yōu)越性和高效性,十個(gè)基因表達(dá)數(shù)據(jù)被使用,從實(shí)驗(yàn)結(jié)果來看,提出的算法不管是從精度角度,還是從特征子集的角度都是比粒子群算法,遺傳算法以及一些改進(jìn)的支持向量機(jī)要有競爭力。(2)提出了一種基于微分進(jìn)化算法的多目標(biāo)離散算法,該算法主要也是在研究如何選擇合適的特征來分類基因表達(dá)數(shù)據(jù)問題。首先使用Fisher Markov selector來選擇固定最高分?jǐn)?shù)的特征。選擇出來的特征將會(huì)作為多目標(biāo)離散微分進(jìn)化算法的初始特征。其次,知道標(biāo)準(zhǔn)的微分進(jìn)化算法是一個(gè)用來求解連續(xù)優(yōu)化問題的算法,它的編碼是不適合求解離散問題的。在本文中,提出了離散的變異模型。該模型主要的目的是平衡算法的開采性和挖掘性。其次,結(jié)合提出的離散微分進(jìn)化算法,研究了如何使用歸一化目標(biāo)值總和和多樣性選擇的方法來選擇個(gè)體,最終提出多目標(biāo)離散微分進(jìn)化算法。值得說明的是,提出的算法同時(shí)也對(duì)支持向量機(jī)的兩個(gè)參數(shù)進(jìn)行優(yōu)化。為了說明算法的優(yōu)越性和高效性,十個(gè)基因表達(dá)數(shù)據(jù)被使用,從實(shí)驗(yàn)結(jié)果來看,提出的算法不管是從精度角度,還是從特征子集的角度都是比其它的離散微分進(jìn)化算法和其它的進(jìn)化算法要有競爭力。(3)提出一種新的微分進(jìn)化算法用來求解原子團(tuán)簇問題和函數(shù)優(yōu)化問題。改進(jìn)的微分進(jìn)化算法主要從變異規(guī)則和參數(shù)設(shè)置兩個(gè)部分來考慮。對(duì)于變異規(guī)則,使用了兩種常用的變異規(guī)則分別是:DE/rand/2/bin和DE/rand to pbest/1/bin。為了平衡這兩個(gè)變異規(guī)則的性能,使用概率選擇的方法來選擇這兩個(gè)變異規(guī)則,值得注意的是對(duì)于一個(gè)個(gè)體在一次迭代中只選擇一個(gè)變異規(guī)則。對(duì)于參數(shù)設(shè)置,知道標(biāo)準(zhǔn)的微分進(jìn)化算法對(duì)于F和CR值都是常數(shù)。然而,這樣的參數(shù)設(shè)置特別容易使得算法出現(xiàn)收斂過慢或者陷入局部最優(yōu)解這些常見的問題。并且對(duì)于不同的問題事實(shí)上所需要的參數(shù)設(shè)置也是各不相同的。針對(duì)這一問題,提出了自適應(yīng)的參數(shù)設(shè)置方法,該方法是記錄算法上一次迭代的結(jié)果來判斷參數(shù)設(shè)置是否成功,然后根據(jù)成功率來重新生成下一次迭代中種群中個(gè)體的參數(shù)�？傊鲜龅母倪M(jìn)策略都是為了平衡算法的開采性和挖掘性。從實(shí)驗(yàn)結(jié)構(gòu)來看,提出的算法還是非常有競爭力的。
【關(guān)鍵詞】：遺傳算法 粒子群算法 生物地理學(xué)算法 微分進(jìn)化算法 基因表達(dá)數(shù)據(jù) 特征選擇問題 原子團(tuán)簇問題
【學(xué)位授予單位】：東北師范大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：O69;TP18
【目錄】：

• 摘要4-6
• Abstract6-11
• 第一章 緒論11-17
• 1.1 研究背景11-14
• 1.1.1 化學(xué)信息學(xué)簡介11-12
• 1.1.2 進(jìn)化算法在化學(xué)信息學(xué)中的應(yīng)用12-13
• 1.1.3 基因表達(dá)數(shù)據(jù)13
• 1.1.4 原子團(tuán)簇13-14
• 1.2 本文工作14-17
• 1.2.1 本文的研究內(nèi)容14-15
• 1.2.2 本文的組織結(jié)構(gòu)15-17
• 第二章 進(jìn)化算法17-29
• 2.1 人工蜂群算法17-19
• 2.1.1 人工蜂群算法的基本框架17-18
• 2.1.2 人工蜂群算法的國內(nèi)外現(xiàn)狀18-19
• 2.2 粒子群算法19-20
• 2.2.1 粒子群算法的基本框架19-20
• 2.2.2 粒子群算法的國內(nèi)外現(xiàn)狀20
• 2.3 生物地理學(xué)算法20-25
• 2.3.1 生物地理學(xué)算法的基本框架20-24
• 2.3.2 生物地理學(xué)算法的國內(nèi)外現(xiàn)狀24-25
• 2.4 微分進(jìn)化算法25-28
• 2.4.1 微分進(jìn)化算法的基本框架25-28
• 2.4.2 微分進(jìn)化算法的國內(nèi)外現(xiàn)狀28
• 2.5 本章小結(jié)28-29
• 第三章 基于多目標(biāo)算法的基因表達(dá)數(shù)據(jù)特征選擇問題的研究29-47
• 3.1 引言29-30
• 3.2 多目標(biāo)離散生物地理學(xué)算法30-36
• 3.2.1 離散生物地理學(xué)算法30-31
• 3.2.2 多目標(biāo)離散生物地理學(xué)算法31-33
• 3.2.3 混合多目標(biāo)離散生物地理學(xué)算法33-36
• 3.2.4 算法的復(fù)雜度36
• 3.3 實(shí)驗(yàn)結(jié)果及分析36-46
• 3.4 本章小結(jié)46-47
• 第四章 基于多目標(biāo)離散微分進(jìn)化算法的基因表達(dá)數(shù)據(jù)分析47-67
• 4.1 引言47-48
• 4.2 多目標(biāo)離散微分進(jìn)化算法48-55
• 4.2.1 Fisher-Markov selector49
• 4.2.2 多目標(biāo)離散微分進(jìn)化算法49-54
• 4.2.3 支持向量機(jī)54
• 4.2.4 算法的復(fù)雜度54-55
• 4.3 實(shí)驗(yàn)設(shè)置55
• 4.4 實(shí)驗(yàn)討論與分析55-66
• 4.4.1 與單目標(biāo)優(yōu)化算法進(jìn)行比較63-64
• 4.4.2 與多目標(biāo)優(yōu)化算法NSGAII進(jìn)行比較64-65
• 4.4.3 Wilcoxon秩和檢驗(yàn)65-66
• 4.5 本章小結(jié)66-67
• 第五章 基于改進(jìn)微分進(jìn)化算法的原子團(tuán)簇問題研究67-93
• 5.1 引言67-69
• 5.2 LJ團(tuán)簇的勢(shì)能模型69
• 5.3 改進(jìn)的微分進(jìn)化算法69-75
• 5.3.1 改進(jìn)的變異機(jī)制69-71
• 5.3.2 隨機(jī)放縮因子71-72
• 5.3.3 自適應(yīng)的交叉因子72-73
• 5.3.4 邊界約束73-74
• 5.3.5 自適應(yīng)的改進(jìn)差分進(jìn)化算法74-75
• 5.4 實(shí)驗(yàn)結(jié)果及分析75-92
• 5.4.1 實(shí)驗(yàn)設(shè)置77-78
• 5.4.2 不同的 ω 值的效果78-79
• 5.4.3 在原子團(tuán)簇問題上的比較試驗(yàn)79
• 5.4.4 與不同參數(shù)的微分進(jìn)化算法進(jìn)行比較79-82
• 5.4.5 比較MDE與其它微分進(jìn)化算法82-85
• 5.4.6 與其它進(jìn)化算法進(jìn)行比較85-87
• 5.4.7 與EP算法進(jìn)行比較87-89
• 5.4.8 改進(jìn)微分進(jìn)化算法的參數(shù)驗(yàn)證89-92
• 5.5 本章小結(jié)92-93
• 第六章 總結(jié)與展望93-95
• 6.1 總結(jié)93
• 6.2 展望93-95
• 參考文獻(xiàn)95-106
• 致謝106-107
• 在學(xué)期間公開發(fā)表論文及著作情況107-10

【相似文獻(xiàn)】

中國重要會(huì)議論文全文數(shù)據(jù)庫 前9條

1 劉明蘭;王玲t(yī) ;曾春年;鐘紹華;張俊;;雙模自組織Fuzzy-Dahlin算法研究[A];1997中國控制與決策學(xué)術(shù)年會(huì)論文集[C];1997年

2 胡海清;;序列最小優(yōu)化及其改進(jìn)算法[A];第十屆中國科協(xié)年會(huì)信息化與社會(huì)發(fā)展學(xué)術(shù)討論會(huì)分會(huì)場論文集[C];2008年

3 王春厚;許都;孫健;;一種降低誤判率的BF快速匹配算法結(jié)構(gòu)[A];2010年全國通信安全學(xué)術(shù)會(huì)議論文集[C];2010年

4 桑紅燕;潘全科;任立群;;解決單機(jī)準(zhǔn)時(shí)排序問題的差異進(jìn)化算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

5 周川;張璐;陳慶偉;;基于神經(jīng)網(wǎng)絡(luò)PID的智能AQM新算法[A];第二十七屆中國控制會(huì)議論文集[C];2008年

6 陳小林;趙建;王延杰;;多模實(shí)時(shí)跟蹤算法研究[A];第七屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2009年

7 傅薈璇;王宇超;孫楓;;融合Kalman濾波的自適應(yīng)帶寬Mean Shift算法[A];2011年中國智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

8 羌磊;肖田元;宋士吉;;多種群模式協(xié)同搜索貝葉斯優(yōu)化算法[A];第25屆中國控制會(huì)議論文集（中冊(cè)）[C];2006年

9 阮秀凱;張志涌;;一種基于支持向量回歸的盲恢復(fù)新算法[A];2009年中國智能自動(dòng)化會(huì)議論文集（第七分冊(cè)）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前7條

1 李向濤;進(jìn)化算法研究及其在化學(xué)信息學(xué)中的應(yīng)用[D];東北師范大學(xué);2015年

2 許偉;基于進(jìn)化算法的復(fù)雜化工過程智能建模方法及其應(yīng)用[D];華東理工大學(xué);2011年

3 鄭友蓮;面向模糊車間調(diào)度問題的智能算法研究[D];武漢大學(xué);2011年

4 高健;分布式環(huán)境的同順序流水作業(yè)問題求解算法研究[D];大連海事大學(xué);2013年

5 畢云龍;自適應(yīng)聲學(xué)回聲抑制算法研究及其VLSI芯片設(shè)計(jì)[D];哈爾濱工業(yè)大學(xué);2010年

6 趙立權(quán);ICA算法及其在陣列信號(hào)處理中的應(yīng)用研究[D];哈爾濱工程大學(xué);2009年

7 鄒德旋;啟發(fā)式算法及其在工程優(yōu)化中的應(yīng)用[D];東北大學(xué);2011年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 焦健;基于知網(wǎng)和話題更新的話題跟蹤算法研究[D];北京交通大學(xué);2009年

2 岳鳳;多態(tài)蟻群算法研究及其應(yīng)用[D];山東師范大學(xué);2009年

3 涂小坡;圖像顯著性算法和評(píng)價(jià)研究[D];南京航空航天大學(xué);2011年

4 張俊杰;改進(jìn)的社會(huì)力模型優(yōu)化算法的研究與應(yīng)用[D];太原理工大學(xué);2014年

5 易卜拉欣;基于文化框架的群搜索和粒子群的混合算法及其應(yīng)用[D];華東理工大學(xué);2014年

6 劉夢(mèng)楠;類電磁機(jī)制算法的研究與改進(jìn)[D];西安電子科技大學(xué);2014年

7 張可;蟻群算法的參數(shù)調(diào)整研究[D];合肥工業(yè)大學(xué);2012年

8 房艷紅;基于蟻群算法的訂單接受與加工調(diào)度優(yōu)化決策問題研究[D];南京理工大學(xué);2013年

9 張冰冰;蟻群算法在控制系統(tǒng)中的應(yīng)用研究[D];新疆大學(xué);2013年

10 汪博峰;三維編織復(fù)合材料幾何成型仿真及算法研究[D];華中科技大學(xué);2006年

  本文關(guān)鍵詞：進(jìn)化算法研究及其在化學(xué)信息學(xué)中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：357507