简介:序列比对是将蛋白质中的基因或氨基酸进行对齐的动作,目的是要找出两序列的相似程度,而多重序列比对则是同时比对多个DNA或蛋白质序列,找出此序列群组中最佳的比对结果.本研究结合遗传算法及模拟退火算法,先利用遗传算法优化种群的概念,随着世代演进逐渐产生近似最佳解,再利用模拟退火算法进行小区块内的比对修正.实验结果显示,利用遗传算法与模拟退火算法的结合,使得遗传算法在跳脱局部最佳解的时候能有更大空间移动,而且也让模拟退火算法能有效解决经由遗传算法初步比对之后所产生的不良区域.两种算法结合的序列比对结果比任何单一算法的结果好,因此可以提升整体比对效果,将来能够为生物学家在判断未知序列功能时提供适当的帮助.
简介:一、遗传算法的发展遗传算法(GeneticAlgorithms简称GA)是由美国Michigan大学的JohnHolland教授于20世纪60年代末创建的。它来源于达尔文的进化论和孟德尔、摩根的遗传学理论,通过模拟生物进化的机制来构造人工系统。从1985年在美国卡耐基.梅隆大学召开的第一届国际遗传算法会议到1997年5月IEEE的Transactions0nEvo-lutionaryComputation创刊,遗传算法作为具有系统优化、适应和学习的高性能计算和建模方法的研究渐趋成熟。[1]遗传算法是一种自适应全局优化概率搜索算法,主要有以下特点:(1)自组织、自适应和学习性(智能性)。遗传算法消除了算法设计中的一个最大障碍,即需要事先描述问题的全部特点,并要说明针对问题的不同特点算法应采取的措施,因此,它可用来解决复杂的非结构化问题。(2)直接处理的对象是参数的编码集而不是问题参数本身。(3)搜索过程中使用的是基于目标函数值的评价信息,搜索过程既不受优化函数连续性的约束,也没有优化函数必须可导的要求。(4)具有显著的隐并行性。遗传算法按并行方式搜索一个种群数目的点,而不是单点。它的并行性表现在两个方...
简介:摘要:共享单车的快速发展解决了人们出行的最后一公里需求,同时也积极响应了节能减排倡议。然而,过度投放单车导致大量违章停放问题的出现。为解决这一难题,电子围栏技术应运而生。本文采用python数据分析和模拟退火算法相结合的方法,以实现电子围栏选址的最优化。通过深入分析共享单车使用情况和需求点分布等数据,模拟退火算法能够搜索最优的选址方案。关键问题是最大覆盖,即通过p-中心问题选择设施点,使每个需求点得到服务且距离最近的设施点最小。通过科学合理的选址方案,我们能提高共享单车的使用效率,减少违章停放问题,同时也降低企业运营成本,促进共享单车行业的可持续发展。