论文部分内容阅读
为了提高蛋白质二级结构预测的效率，对具有完全学习策略的量子行为粒子群（CLQPSO）算法进行了研究，实现了一种融合混沌优化与完全学习策略的量子行为粒子群算法；通过在粒子群进化过程中对收缩扩张因子和局部吸引子的混沌优化，提高了敛速和精度．基于统一计算设备架构（CUDA ），利用GPU 的并行计算能力，将该算法并行化并应用到蛋白质二级结构预测中．实验表明：相比串行实现，该并行算法在对长度较短的残基序列进行蛋白质二级结构预测时，加速比可超过40．