蛋白质结构预测是从氨基酸序列预测蛋白质的三维结构,它是生物信息学和理论化学中最重要的目标之一。在医学和生物技术领域中,蛋白质结构预测也是非常重要的,可用于新药物的设计研究和新颖的酶的设计等,降低实验成本并提高药物制备的有效性。蛋白质属性信息是蛋白质结构预测方法中至关重要的因素,如残基的疏水性和亲水性、静电相互作用、氢和共价键、范德华相互作用、键角强度、焓和熵,可通过这些属性信息将蛋白质结构表述成势（场）函数,从而作为蛋白质结构预测目标函数进行模拟和求解;另一个重要因素是高效的计算优化方法,通过对势（场）函数进行采样与优化,模拟蛋白质折叠路径并对蛋白质结构进行预测。本文主要研究采样蛋白质构象空间的搜索算法,设计了基于群智能计算方法的个体化预测模型和蛋白质结构预测方法。具体内容包括:（1）第二章中提出了三类主要的搜索算法:异构粒子群优化,非同构布谷鸟搜索算法和非同构萤火虫算法。异构粒子群优化算法中种群被划分成四个子种群并维持异构搜索策略,不仅有利于信息共享机制从每个子种群中收集有用的信息,也有利于增强粒子间的合作和潜力搜索能力。在非同构布谷鸟搜索算法中,个体学习彼此之间的差异信息进行搜索,并基于量子机制利用整个群体的平均信息以及全局最佳信息进行有效地搜索。这个算法的非同构更新规则使个体在局部和全局区域进行有效的搜索并搜索问题空间（例如蛋白质构象空间）的潜在可能解。在非同构萤火虫算法中,α的五个不同策略随着迭代数量、种群规模大小和优化问题的维数变化而变化,此算法中提出了一种非同构搜索方案,使得群体保持稳定的局部搜索和全局搜索之间的平衡;针对经典算法的恒定光吸收系数的两个主要缺点设计了基于距离的自适应参数方法,该方法动态控制萤火虫的光度来改变个体之间吸引力。同时,萤火虫之间的差异信息可以充分用于提高每个萤火虫的局部搜索能力,根据灰度关联分析设计了一个灰度系数作为另一个自适应控制参数。本文从理论上证明了这三类算法的收敛性,这些分析为个体化模型设计及蛋白质折叠路径和结构预测提供了理论基础。（2）第三章设计了基于群智能算法的个体化模糊系统和神经网络,并分别将这两个个体化模型（其是根据特定对象所建立的数学模型）在物系统和蛋白质折叠识别问题上进行了验证。在个体化模糊模型中,通过群智能算法搜索模型的最优结构和合适参数,并用模糊规则的形式表达出,动态模拟生物系统的特性。它有效地解决了系统生物学问题中动态行为数学表达,这些行为可以用透明的和可读的模糊规则来解释。基于神经网络的个体化模型在蛋白质折叠片的识别预测进行验证,其利用蛋白质氨基酸序列的进化和结构信息预测不同的蛋白质折叠类型,其中神经网络模型被编码到一个增强型异构粒子群优化器的粒子中,通过智能算法的迭代优化找到最优的模型,大大提高了蛋白质折叠识别预测的精度。（3）蛋白质折叠途径和结构预测的目的是利用计算方法从氨基酸序列中找出蛋白质是如何折叠的以及每个原子的空间位置。第四章介绍了群智能算法,个体化预测模型及分子动力学模拟方法在蛋白质折叠途径和结构预测中的研究成果。基于当前的蛋白质结构预测研究（例如TerItFix）,本文设计出两套蛋白质折叠路径和结构预测系统,根据蛋白质折叠“顺序稳定”原则,迭代预测其折叠路径和结构。折叠过程中的二级结构和联系图信息作为预测纠正偏差用于限制下一轮迭代。折叠模拟系统可以快速且高精度地同时预测蛋白质折叠路径和结构。