進化算法及其在生物信息中的應用

第1章 緒論
1.1 進化算法
1.1.1 遺傳算法
1.1.2 遺傳規(guī)劃
1.1.3 進化策略
1.1.4 進化規(guī)劃
1.1.5 粒子群優(yōu)化算法
1.1.6 量子粒子群優(yōu)化算法
1.2 生物信息學
1.2.1 生物信息學的起源
1.2.2 生物信息學的概念
1.2.3 生物信息學的主要研究內(nèi)容
1.3 最優(yōu)化理論
1.3.1 最優(yōu)化問題
1.3.2 局部優(yōu)化算法
1.3.3 全局優(yōu)化算法
1.3.4 最優(yōu)化問題的求解
1.4 本書的主要內(nèi)容
第2章 粒子群優(yōu)化算法和量子粒子群優(yōu)化算法
2.1 粒子群優(yōu)化算法
2.1.1 基本粒子群算法
2.1.2 帶慣性權重w的粒子群算法
2.1.3 帶收縮因子x的粒子群算法
2.2 量子粒子群優(yōu)化算法
2.2.1 d勢阱模型的建立
2.2.2 粒子的基本進化方程
2.2.3 OPS0算法的流程
2.3 OPS0算法收斂性分析
2.3.1 全局搜索算法的收斂準則
2.3.2 局部搜索算法的收斂準則
2.3.3 OPS0算法的全局收斂性
第3章 基于選擇操作的QPSo算法
3.1 引言
3.2 采用錦標賽選擇操作的QPSO算法（QPS0.TS）
3.3 采用輪盤賭選擇操作的QPSO算法（QPSO-RS）
3.4 算法的收斂性分析
3.4.1 全局收斂性準則
3.4.2 基于選擇操作的QPS0算法的全局收斂性
3.5 實驗結果及分析
3.5.1 實驗設計
3.5.2 實驗結果
3.6 本章 小結
第4章 進化算法在多序列比對中的應用
4.1 多序列比對的含義
4.2 基于二進制OPSO算法的序列比對
4.2.1 二進制的PS0算法（BPS0）
4.2.2 二進制的QPS0算法（BQPSO）
4.2.3 基于MBPS0或MBOPS0的多序列比對
4.2.4 仿真實驗和結果
4.2.5 結論
4.3 基于隱馬爾柯夫模型和多樣性QPSO算法的多序列比對
4.3.1 前言
4.3.2 隱馬爾柯夫模型
4.3.3 基于剖面HMM和QPSO的多序列比對
4.3.4 融合多樣性的0PSO算法
4.3.5 評估訓練算法的質(zhì)量
4.3.6 模型的聯(lián)配問題
4.3.7 評估比對序列的質(zhì)量
4.3.8 實驗結果
4.3.9 結論
第5章 基于進化算法的代謝流的評估
5.1 代謝流評估
5.1.1 化學計量矩陣方法
5.1.2 基于13C標記平衡的MFA
5.2 基于白適應進化算法和單值分解的方法的代謝通量分析
5.2.1 自適應進化算法
5.2.2 系統(tǒng)化學計量矩陣約束的單值分解
5.2.3 進化算法中不等式約束的處理
5.3 基于QPSO及其改進的QPSO算法和罰函數(shù)的代謝通量分析
5.3.1 罰函數(shù)的方法
5.3.2 基于QPSO及其改進的QPS0和罰函數(shù)的代謝流評估流程
5.4 仿真實驗及其結果
5.5 本章 小結
第6章 基于GP和QPSO算法的獸疫鏈球菌發(fā)酵透明質(zhì)酸培養(yǎng)基的優(yōu)化
6.1 引言
6.2 原料和方法
6.2.1 微生物和媒介
6.2.2 在一個7一1發(fā)酵罐中的獸疫鏈球菌的一組培養(yǎng)基
6.3 響應面分析法（RSM）
6.4 仿真實驗和結果
6.4.1 RSM的結果
6.4.2 GP的結果
6.4.3 使用QPSO算法優(yōu)化GP評估方程式的參數(shù)的結果
6.4.4使用QPSO算法優(yōu)化透明質(zhì)酸產(chǎn)量的培養(yǎng)基的結果
6.5 結論
第7章 基于多樣性量子行為粒子群優(yōu)化算法的基因數(shù)據(jù)聚類
7.1 基因數(shù)據(jù)聚類研究現(xiàn)狀
7.2 多樣性引導的量子粒子群優(yōu)化算法
7.3 基于DGOPSO的聚類算法設計
7.4 基于多樣性量子行為粒子群算法的基因數(shù)據(jù)聚類
7.4.1 實驗數(shù)據(jù)集
7.4.2 基因表達數(shù)據(jù)聚類實驗分析
7.4.3 基于粒子群優(yōu)化的聚類算法比較
7.4.4 與一些常用聚類算法的比較
7.5 結論
第8章 總結與展望
附錄1 PSO算法程序代碼
附錄2 QPSO算法程序代碼
附錄3 多序列比對程序代碼
參考文獻