進化算法在生物多序列比對中的應用

上篇 多序列比對基礎篇

第1章 生物多序列比對3
1.1生物信息學3
1.1.1生物信息學的起源3
1.1.2生物信息學的概念4
1.1.3生物信息學的主要研究內容4
1.2序列比對的概念及其發展歷史8
1.2.1序列比對的提出與基本概念8
1.2.2序列比對的目的和意義8
1.2.3國內外研究現狀10
1.2.4多序列比對面臨的挑戰10
1.3多序列比對的基本原理11
1.3.1多序列比對的相關概念11
1.3.2序列比對的分類12
1.3.3多序列比對的數學定義13
1.3.4多序列比對的打分方法14
1.4多序列比對方法22
1.4.1比對方法22
1.4.2多序列比對算法23
1.5多序列比對常用數據庫33
1.5.1綜合性數據庫34
1.5.2基准數據庫36
1.6多序列比對常用工具40
1.6.1搜索工具40
1.6.2常用的在線多序列比對工具42
1.7多序列比對的應用45
1.8其他說明46
1.8.1多序列比對算法存在的問題46
1.8.2多序列比對算法的運算指標47
1.8.3多序列比對算法的展望48
1.9本章小結48
參考文獻49

第2章 進化算法和最優化理論53
2.1進化算法53
2.1.1遺傳算法53
2.1.2遺傳規划54
2.1.3進化策略56
2.1.4進化規划57
2.1.5粒子群優化算法58
2.1.6量子粒子群優化算法61
2.2最優化理論63
2.2.1最優化問題64
2.2.2局部優化算法66
2.2.3全局優化算法67
2.2.4最優化問題的求解67
2.3本章小結69
參考文獻69

第3章 遺傳算法、粒子群優化算法和量子粒子群優化算法73
3.1遺傳算法73
3.1.1遺傳算法的基本思想73
3.1.2遺傳算法中的基本術語74
3.1.3遺傳算法的步驟及流程圖75
3.1.4遺傳算法的構成要素76
3.1.5遺傳算法的優缺點82
3.1.6遺傳算法的應用現狀84
3.1.7遺傳算法的改進86
3.2粒子群優化算法87
3.2.1基本粒子群優化算法87
3.2.2帶慣性權重w的粒子群優化算法89
3.2.3帶收縮因子的粒子群優化算法91
3.3量子粒子群優化算法92
3.3.1勢阱模型的建立92
3.3.2粒子的基本進化方程95
3.3.3QPSO算法的流程96
3.3.4QPSO算法的收斂性分析97
3.4QPSO算法的改進——基於選擇操作的QPSO算法103
3.4.1引言103
3.4.2采用錦標賽選擇操作的QPSO算法（QPSO—TS）105
3.4.3采用輪盤賭選擇操作的QPSO算法（QPSO—RS）106
3.4.4算法的收斂性分析107
3.5本章小結110
參考文獻110

中篇 多序列比對模擬篇

第4章 遺傳算法在多序列比對中的應用115
4.1基本遺傳算法模擬多序列比對115
4.1.1引言115
4.1.2多序列比對問題及數學描述117
4.1.3算法設計117
4.1.4實驗算例與分析120
4.1.5結論123
4.2改進遺傳算法之初始種群優化124
4.2.1引言124
4.2.2優化原理125
4.2.3幾種初始化方法的構造127
4.2.4加入MAFFT種子的初始化130
4.2.5實驗算例與結果130
4.2.6結論135
4.3改進遺傳算法之交叉算子優化136
4.3.1引言136
4.3.2交叉算子設計137
4.3.3實驗算例與結果140
4.3.4結論143
4.4本章小結144
參考文獻144

第5章 QPSO算法在多序列比對中的應用149
5.1多序列比對的含義149
5.2基於二進制QPSO算法的序列比對151
5.2.1二進制的PSO算法（BPSO）151
5.2.2二進制的QPSO算法（BQPSO）152
5.2.3基於BPSO或BQPSO的多序列比對156
5.3本章小結163
參考文獻165

第6章 基於隱馬爾可夫模型和QPSO算法的多序列比對167
6.1引言167
6.2隱馬爾可夫模型168
6.2.1隱馬爾可夫模型的基本原理168
6.2.2隱馬爾可夫模型的基本問題與算法169
6.3基於剖面HMM和QPSO的多序列比對172
6.3.1融合多樣性的QPSO算法174
6.3.2評估訓練算法的質量179
6.3.3模型的聯配問題179
6.3.4評估比對序列的質量181
6.4本章小結191
參考文獻191
……
第7章 多序列比對的並行計算193

下篇 多序列比對參數篇
附錄相關的源代碼235