论文部分内容阅读
随着社会生产及现实生活中不断涌现出越来越多的优化问题,其中不乏许多传统优化方法无法解决的复杂优化的问题,比如具有多峰的函数优化问题,不连续的函数优化问题,不可微的函数优化问题,组合优化问题和大规模优化问题等。因此为了解决这类复杂的优化问题,大量的新的启发式优化算法不断被提出,其中影响较大的有遗传算法,蚁群算法,差分进化和粒子群优化算法等。这些启发式优化算法一般都是通过模拟和建模自然现象,物理现象或者社会现象而得出的。粒子群优化算法(Particle Swarm Optimization,简写为PSO)是其中优秀的一种算法。粒子群优化算法是一种基于群体的智能优化算法,其以规则简单,容易实现,收敛速度快,需调参数少而出名。由于粒子群优化算法的这些优异的性能,使得其十分容易应用其他领域,比如函数优化,组合优化,数据挖掘和生物信息等领域。然而PSO算法仍存在一些不足,比如容易陷入局部最优。本文针对该缺点,对PSO算法进行改进,并将改进后的算法应用于生物信息学中的局部序列比对问题。本文的主要贡献如下:(1)提出了一种新的基于正弦余弦的改进粒子群优化算法(Sine Cosine Particle Swarm Optimization,简写为SC-PSO)。该算法利用正弦余弦策略对粒子群优化算法中的系数(认知成分系数和社会成分系数)进行自动调整,实现局部最优点的逃离,并能更好的调节勘探和开发之间的关系,从而能提高算法的收敛速度和收敛准确度。为验证提出算法的性能,将其与三个著名的智能优化算法在20个基准函数上进行比较,对比实验显示本文提出的算法具有较好的性能提升。(2)序列比对是生物信息学中的基础任务和主要规程之一,其主要用于测量生物序列之间的相似性,以提供有关RNA,DNA和蛋白质序列之间有关进化和功能相关指示。序列比对通过匹配它们的碱基(蛋白质的氨基酸和DNA的核苷酸)来比较序列,以产生代表相似程度的最高分数的最佳比对。蛋白质二级结构预测和分析使用比对来提高预测质量。在本文中,探索了将SC-SPO算法对局部序列比对方面的应用,使其嵌入到局部序列比对方法中。并通过与其他方法比较验证了该方法的性能。