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.