CN108629150A - 基于多种群协助的量子遗传算法的rna二级结构预测方法 - Google Patents
基于多种群协助的量子遗传算法的rna二级结构预测方法 Download PDFInfo
- Publication number
- CN108629150A CN108629150A CN201810220951.8A CN201810220951A CN108629150A CN 108629150 A CN108629150 A CN 108629150A CN 201810220951 A CN201810220951 A CN 201810220951A CN 108629150 A CN108629150 A CN 108629150A
- Authority
- CN
- China
- Prior art keywords
- population
- individual
- populations
- quantum
- assistance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Biotechnology (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于生物信息学技术领域,公开了一种基于多种群协助的量子遗传算法的RNA二级结构预测方法,根据RNA序列建立序列的茎区池和茎区相容矩阵;用量子比特向量来初始化多个染色体种群;对各种群量子测量;根据测量结果获取最优个体;取得全部种群中的最优个体b,并用它替换其他种群中最优个体和b非同源的最差个体,然后各种群用不同的旋转角更新,而其他不参与替换的种群用固定旋转角更新;迭代上述过程,直到满足停止条件。本发明有效的提升了量子遗传算法的全局搜索能力和搜索效率,降低了遗传算法的进化代数。同时各种群间抑制竞争相互合作有效的提升了算法的全局性,预测准确性大幅度增加。
Description
技术领域
本发明属于生物信息学技术领域,尤其涉及一种基于多种群协助的量子遗传算法的RNA二级结构预测方法。
背景技术
目前,业内常用的现有技术是这样的:RNA二级结构是指RNA序列由自身回折形成的茎环结构,是一种介于一级结构和三级结构之间的结构,且存储较多高级结构信息,因此二级结构的研究是生物信息学领域的重要研究课题。二级结构的确定主要有两种方法:物理化学的实验方法和数学计算的预测方法。实验方法主要包括X射线晶体衍射和核磁共振(NMR)。虽然实验方法得到的结果精确,但由于RNA分子降解速度快,难以结晶,故通过等实验方法测定RNA分子的结构很不容易,费时费力,代价高昂,无法满足今天海量RNA二级结构预测的需求。另外实验方法只能测定包含较少碱基的RNA序列的二级结构,而面对分子量较大的RNA时,实验方法的精确度会急剧下降。为了解决上述实验方法的弊端,人们开始着手借助数学计算方法,并结合计算机从理论上去预测RNA的二级结构,然后做进一步的验证。目前RNA二级结构的预测主要有两种思路:基于系统发育的序列比对方法和基于分子热动力学最小自由能模型。基于最小自由能模型的主要算法有动态规划算法、茎区组合算法和启发类算法等。启发类算法属于随机类算法,无法保证每次计算都收敛到全局最优解,即自由能最小的结构。而如前所述,RNA的真实结构往往是一种次优结构,正好可以利用这个条件,使用启发类算法计算出指定阀值范围的所有二级结构,然后做进一步验证。常用的启发类算法有如遗传算法,模拟退火算法,神经网络算法等。现有的遗传算法有遗传算法(GA)、量子遗传算法(QGA)、增强型量子遗传算法(EQGA)。用遗传算法来预测RNA二级结构是一种比较基本的智能算法,用该算法来预测RNA二级结构是一种预测RNA二级结构的新思路,尽管算法能够预测RNA二级结构,但算法本身存在收敛速度慢、搜索效率低,易陷入局部极值点的问题。量子遗传算法,是一种将量子计算理论和遗传算法相结合的概率搜索算法,该算法具有更好的种群多样性和计算并行性的特点,这些特点使量子遗传算法具有更快的收敛速度和更高的搜索效率,但算法旋转角固定,不能根据搜索结果调整搜索参数,因此依然存在搜索性差的问题,而另一方面尽管收敛速度有所改观,但依然收敛速度慢。增强型量子遗传算法,在量子遗传算法中加入了自适应旋转参数,优化了收敛速度;在算法中引入交叉和变异操作,优化了算法的全局性搜索能力。但收敛速度和局部搜索能力仍然是一个关键问题。
综上所述,现有技术存在的问题是:现有的RNA二级结构预测算法中存在的收敛速度慢,搜索能力差的问题。搜索能力差往往不能协调算法全局和局部搜索能力,会使算法很容易陷入到局部极小值点,造成“早熟”现象,从而不能寻得全局最优点,从而使算法性能偏低。而收敛速度慢,则会使算法迭代次数过高,算法的执行时间过长,而使算法的执行效率低下。
解决上述技术问题的难度和意义:遗传算法中,全局搜索能力和局部搜索能力是两个“难以兼得”的能力,一个算法如果有较强的全局搜索能力,那么往往就不能兼顾局域搜索能力,反之亦然。如果将两者协调折中,那么算法又会陷入到收敛速度慢的问题。如果能很好的协调三者,既能有较强的全局搜索能力,又有较强的局域搜索能力,且收敛速度快,那么算法的准确性和运算效率就会得到很大的提高,RNA二级结构的预测准确度和算法收敛速度就会大大增加。
发明内容
针对现有技术存在的问题,本发明提供了一种基于多种群协助的量子遗传算法的RNA二级结构预测方法。
本发明是这样实现的,一种基于多种群协助的量子遗传算法的RNA二级结构预测方法,所述基于多种群协助的量子遗传算法的RNA二级结构预测方法根据RNA序列建立茎区池和茎区相容矩阵,初始化C个规模为M的量子种群,对每个种群中的个体进行量子测量,并对测量结果根据茎区池和茎区相容矩阵修正,然后对修正后的测量结果序列计算个体的适应度并记录下最优个体,最优个体在一定的条件下替换掉其他种群的最差个体,最后通过量子旋转完成种群更新;迭代逐步优化,直到达到优化目标为止。
进一步,所述基于多种群协助的量子遗传算法的RNA二级结构预测方法的种群替换:其他种群中,没有最优个体的同源个体,则用最优替换其他种群的最差个体;替换后,种群的更新旋转角度通过度实现种群之间的协助;种群不转移,各种群的旋转角度设置为相同。
进一步,所述基于多种群协助的量子遗传算法的RNA二级结构预测方法包括以下步骤:
步骤一,建立茎区池,RNA序列为R,长度为N,根据RNA序列建立序列的茎区池和茎区相容矩阵;
步骤二,初始化染色体种群,用量子比特向量来初始化C个规模为M的染色体种群;每个种群为 为第t代种群的第j个个体的染色体编码;
步骤三,量子测量Q(t),根据测量结果得到状态0或状态1,得到初始种群;
步骤四,更新种群,根据测量结果更新种群;
步骤五,多次迭代,逐步逼近最优;
步骤六,当最优个体多次迭代不改变,则在迭代次数到达阈值之后结束迭代,返回迭代结果。
进一步,所述步骤二中为第t代种群的第j个个体的染色体编码,表示如下:
其中N为每个个体的编码长度,茎区池的大小。在初始化Q(t)时,和(j=0,1,2,…m-1)为
进一步,所述步骤三中初始种群:
是N维0,1向量。根据RNA序列的茎区池和茎区相容矩阵,修正种群向量;计算每一个个体的自由能取其相反值作为适应度。
进一步,所述步骤四中更新种群方式为:
旋转角θi,Δθi的取值范围是[0.001π,0.1π]; 和分别为第t代种群测量得到的确定解P(t)的第j个个体的第i个基因和第t代最优解的第i个基因;和f(xt)分别为第j个确定解的适应度和最优个体的适应度;用来根据当前基因所在的象限来确定旋转角的符号。
进一步,所述步骤五具体包括:比较当前测量后的最优个体b和上一代的最优个体b1;
a)当前最优个体b更好,则需要进行以下判断:
i)当前种群中的最优个体和全部其他种群的最优个体没有关系,则用最优个体b替换所有其他W(W≤c-1)个种群中的最差个体;各个种群的搜索旋转角度Δθi按照梯度设置,不同梯度有不同的搜索半径,实现在最优值附近按照不同的旋转角度协作搜索;具体公式如下:
Δθi=0.001π+(0.1π-0.001π)i;
变量i=(1,2,...,W);
ii)当前种群中的最优个体和其他种群的最优个体同源,则同源的种群不进行替换出现同源的最差个体,种群只进行旋转角度为Δθi=0.08π正常进化其他最优个体非同源的种群则按照梯度公式计算的旋转角进行更新种群;
b)当前最优个体b没有更好,只根据固定旋转角Δθi=0.08π对种群染色体更新。
本发明的另一目的在于提供种应用所述基于多种群协助的量子遗传算法的RNA二级结构预测方法的生物信息学处理系统。
综上所述,本发明的优点及积极效果为:本发明在进行RNA二级结构预测的过程中,通过采取多个量子种群的协助搜索扩大了搜索范围,同时各种群间抑制竞争相互合作有效的提升了算法的全局性,预测准确性大幅度增加。相较于一般的多种群遗传算法,保留了在出现最优结果时的协助搜索,优化了在没出现最优结果时的大角度搜索,全局性更好;优化了转移操作。一般多种群的转移算子会在每一代更新后都要转移,会造成种群的多样性会迅速缩小趋同,从而会降低全局搜索能力。优化后,转移操作只在一些条件之下才发生,有效的保护了种群多样性。多个种群的协同能够使算法迅速收敛,进化代数更少。
附图说明
图1是本发明实施例提供的基于多种群协助的量子遗传算法的RNA二级结构预测方法流程图。
图2是本发明实施例提供的基于多种群协助的量子遗传算法的RNA二级结构预测方法实现流程图。
图3是本发明实施例提供的移民算子转移图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明旨在解决现有的RNA二级结构预测中存在的全局搜索性差,搜索效率低和易陷于局部极值点;用于优化现有的RNA二级结构预测中存在的全局搜索效率。
如图1所示,本发明实施例提供的基于多种群协助的量子遗传算法的RNA二级结构预测方法包括以下步骤:
S101:根据RNA序列建立序列的茎区池和茎区相容矩阵;
S102:用量子比特向量来初始化多个染色体种群;
S103:对各种群量子测量;
S104:根据测量结果获取最优个体;
S105:取得全部种群中的最优个体b,并用它替换其他种群中最优个体和b非同源的最差个体,然后各种群用不同的旋转角更新,而其他不参与替换的种群用固定旋转角更新;
S106:迭代上述过程,直到满足停止条件。
下面结合附图对本发明的应用原理作进一步的描述。
如图2所示,本发明实施例提供的基于多种群协助的量子遗传算法的RNA二级结构预测方法具体包括以下步骤:
步骤一,建立茎区池,设有RNA序列为R,其长度为N,根据RNA序列建立序列的茎区池和茎区相容矩阵。
步骤二,初始化染色体种群,用量子比特向量来初始化C个规模为M的染色体种群。每个种群定义为 为第t代种群的第j个个体的染色体编码,其表示如下:
其中N为每个个体的编码长度,即茎区池的大小。在初始化Q(t)时,和(j=0,1,2,…m-1)为
步骤三,量子测量Q(t),根据测量结果得到状态0或状态1,从而得到初始种群:
是N维0,1向量。根据RNA序列的茎区池和茎区相容矩阵,修正种群向量。计算每一个个体的自由能取其相反值作为适应度。并保存所有的种群中有最好适应度的个体b;
步骤四,更新种群,根据测量结果更新种群。更新方式如下:
旋转角θi根据下面表格确定。Δθi的取值范围是[0.001π,0.1π]。 和分别为第t代种群测量得到的确定解P(t)的第j个个体的第i个基因和第t代最优解的第i个基因;和f(xt)分别为第j个确定解的适应度和最优个体的适应度;用来根据当前基因所在的象限来确定旋转角的符号。
步骤五,多次迭代,逐步逼近最优。
比较当前测量后的最优个体b和上一代的最优个体b1。
a)如果当前最优个体b更好,则需要进行以下判断:
i)如果当前种群中的最优个体和全部其他种群的最优个体没有关系,则用最优个体b替换所有其他W(W≤c-1)个种群中的最差个体。各个种群的搜索旋转角度Δθi按照一定的梯度设置,不同梯度有不同的搜索半径,从而实现在最优值附近按照不同的旋转角度协作搜索。具体公式如下:
Δθi=0.001π+(0.1π-0.001π)i;
变量i=(1,2,...,W)。
ii)如果当前种群中的最优个体和其他种群的最优个体同源,则同源的种群不进行替换出现同源的最差个体,这些种群只进行旋转角度为Δθi=0.08π正常进化。其他最优个体非同源的种群则按照梯度公式计算的旋转角进行更新种群。
b)如当前最优个体b没有更好,则只根据固定旋转角Δθi=0.08π对种群染色体更新。
步骤六,当最优个体多次迭代不改变。则在迭代次数到达阈值之后结束迭代,返回迭代结果。
表1几种RNA二级结构预测算法结构对比图
RFA_00640结果
ASE_00351结果
ASE_00322结果
ASE_00443结果
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于多种群协助的量子遗传算法的RNA二级结构预测方法,其特征在于,所述基于多种群协助的量子遗传算法的RNA二级结构预测方法根据RNA序列建立茎区池和茎区相容矩阵,初始化C个规模为M的量子种群,对每个种群中的个体进行量子测量,并对测量结果根据茎区池和茎区相容矩阵修正,然后对修正后的测量结果序列计算个体的适应度并记录下最优个体,最优个体在一定的条件下替换掉其他种群的最差个体,最后通过量子旋转完成种群更新;迭代逐步优化,直到达到优化目标为止。
2.如权利要求1所述的基于多种群协助的量子遗传算法的RNA二级结构预测方法,其特征在于,所述基于多种群协助的量子遗传算法的RNA二级结构预测方法的种群替换:其他种群中,没有最优个体的同源个体,则用最优替换其他种群的最差个体;替换后,种群的更新旋转角度通过度实现种群之间的协助;种群不转移,各种群的旋转角度设置为相同。
3.如权利要求1所述的基于多种群协助的量子遗传算法的RNA二级结构预测方法,其特征在于,所述基于多种群协助的量子遗传算法的RNA二级结构预测方法包括以下步骤:
步骤一,建立茎区池,RNA序列为R,长度为N,根据RNA序列建立序列的茎区池和茎区相容矩阵;
步骤二,初始化染色体种群,用量子比特向量来初始化C个规模为M的染色体种群;每个种群为 为第t代种群的第j个个体的染色体编码;
步骤三,量子测量Q(t),根据测量结果得到状态0或状态1,得到初始种群;
步骤四,更新种群,根据测量结果更新种群;
步骤五,多次迭代,逐步逼近最优;
步骤六,当最优个体多次迭代不改变,则在迭代次数到达阈值之后结束迭代,返回迭代结果。
4.如权利要求3所述的基于多种群协助的量子遗传算法的RNA二级结构预测方法,其特征在于,所述步骤二中为第t代种群的第j个个体的染色体编码,表示如下:
其中N为每个个体的编码长度,茎区池的大小;在初始化Q(t)时,和(j=0,1,2,…m-1)为
5.如权利要求3所述的基于多种群协助的量子遗传算法的RNA二级结构预测方法,其特征在于,所述步骤三中初始种群:
是N维0,1向量;根据RNA序列的茎区池和茎区相容矩阵,修正种群向量;计算每一个个体的自由能取其相反值作为适应度。
6.如权利要求3所述的基于多种群协助的量子遗传算法的RNA二级结构预测方法,其特征在于,所述步骤四中更新种群方式为:
旋转角θi,Δθi的取值范围是[0.001π,0.1π]; 和分别为第t代种群测量得到的确定解P(t)的第j个个体的第i个基因和第t代最优解的第i个基因;和f(xt)分别为第j个确定解的适应度和最优个体的适应度;用来根据当前基因所在的象限来确定旋转角的符号。
7.如权利要求3所述的基于多种群协助的量子遗传算法的RNA二级结构预测方法,其特征在于,所述步骤五具体包括:比较当前测量后的最优个体b和上一代的最优个体b1;
a)当前最优个体b更好,则需要进行以下判断:
i)当前种群中的最优个体和全部其他种群的最优个体没有关系,则用最优个体b替换所有其他W(W≤C-1)个种群中的最差个体;各个种群的搜索旋转角度Δθi按照梯度设置,不同梯度有不同的搜索半径,实现在最优值附近按照不同的旋转角度协作搜索;具体公式如下:
Δθi=0.001π+(0.1π-0.001π)i;
变量i=(1,2,...,W);
ii)当前种群中的最优个体和其他种群的最优个体同源,则同源的种群不进行替换出现同源的最差个体,种群只进行旋转角度为Δθi=0.08π正常进化其他最优个体非同源的种群则按照梯度公式计算的旋转角进行更新种群;
b)当前最优个体b没有更好,只根据固定旋转角Δθi=0.08π对种群染色体更新。
8.一种应用权利要求1~7任意一项所述基于多种群协助的量子遗传算法的RNA二级结构预测方法的生物信息学处理系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810220951.8A CN108629150A (zh) | 2018-03-16 | 2018-03-16 | 基于多种群协助的量子遗传算法的rna二级结构预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810220951.8A CN108629150A (zh) | 2018-03-16 | 2018-03-16 | 基于多种群协助的量子遗传算法的rna二级结构预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108629150A true CN108629150A (zh) | 2018-10-09 |
Family
ID=63706338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810220951.8A Pending CN108629150A (zh) | 2018-03-16 | 2018-03-16 | 基于多种群协助的量子遗传算法的rna二级结构预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629150A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109215740A (zh) * | 2018-11-06 | 2019-01-15 | 中山大学 | 基于Xgboost的全基因组RNA二级结构预测方法 |
CN109599146A (zh) * | 2018-11-08 | 2019-04-09 | 武汉科技大学 | 一种基于多目标遗传算法的带假结核酸结构预测方法 |
CN109871784A (zh) * | 2019-01-29 | 2019-06-11 | 吉林大学 | 遗传算法优化匹配追踪的全波核磁共振信号噪声滤除方法 |
CN110060728A (zh) * | 2019-04-10 | 2019-07-26 | 浙江科技学院 | 基于递归神经网络的rna二级结构预测方法 |
CN111275711A (zh) * | 2020-01-08 | 2020-06-12 | 西安电子科技大学 | 基于轻量级卷积神经网络模型的实时图像语义分割方法 |
CN112200353A (zh) * | 2020-09-30 | 2021-01-08 | 重庆师范大学 | 基于改进量子优化算法的支持向量机天气预测方法 |
CN112836864A (zh) * | 2021-01-18 | 2021-05-25 | 青岛理工大学 | 一种天气预测方法、系统、介质及电子设备 |
CN112908409A (zh) * | 2021-03-09 | 2021-06-04 | 南京航空航天大学 | 一种基于并行改进人工蚁群算法的rna二级结构预测方法 |
CN116579253A (zh) * | 2023-07-11 | 2023-08-11 | 中国海洋大学 | 密封条的物理性能确定方法、装置、电子设备和存储介质 |
CN117151238A (zh) * | 2023-10-27 | 2023-12-01 | 量子科技长三角产业创新中心 | 基于量子遗传算法的信号确定方法、量子计算装置及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009225716A (ja) * | 2008-03-24 | 2009-10-08 | Ibaraki Univ | 梨果実のみつ症の発生予察方法および装置 |
CN101908102A (zh) * | 2010-08-13 | 2010-12-08 | 山东建筑大学 | 基于茎区的核糖核酸二级结构的预测方法及装置 |
CN105719003A (zh) * | 2016-01-13 | 2016-06-29 | 中国南方电网有限责任公司超高压输电公司 | 一种基于量子遗传算法的换流变压器局放超声定位方法 |
CN105740953A (zh) * | 2016-01-29 | 2016-07-06 | 温州大学 | 一种基于实数编码量子进化算法的不规则排样方法 |
CN106354979A (zh) * | 2016-10-08 | 2017-01-25 | 西安电子科技大学 | 一种基于量子遗传算法的雷达海杂波反演蒸发波导的方法 |
-
2018
- 2018-03-16 CN CN201810220951.8A patent/CN108629150A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009225716A (ja) * | 2008-03-24 | 2009-10-08 | Ibaraki Univ | 梨果実のみつ症の発生予察方法および装置 |
CN101908102A (zh) * | 2010-08-13 | 2010-12-08 | 山东建筑大学 | 基于茎区的核糖核酸二级结构的预测方法及装置 |
CN105719003A (zh) * | 2016-01-13 | 2016-06-29 | 中国南方电网有限责任公司超高压输电公司 | 一种基于量子遗传算法的换流变压器局放超声定位方法 |
CN105740953A (zh) * | 2016-01-29 | 2016-07-06 | 温州大学 | 一种基于实数编码量子进化算法的不规则排样方法 |
CN106354979A (zh) * | 2016-10-08 | 2017-01-25 | 西安电子科技大学 | 一种基于量子遗传算法的雷达海杂波反演蒸发波导的方法 |
Non-Patent Citations (2)
Title |
---|
刘阳 等: "利用量子遗传算法实现RNA二级结构预测", 《西安电子科技大学学报(自然科学版)》 * |
王欢: "一种改进的多种群量子遗传算法", 《仲恺农业工程学院学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109215740A (zh) * | 2018-11-06 | 2019-01-15 | 中山大学 | 基于Xgboost的全基因组RNA二级结构预测方法 |
CN109599146B (zh) * | 2018-11-08 | 2022-04-15 | 武汉科技大学 | 一种基于多目标遗传算法的带假结核酸结构预测方法 |
CN109599146A (zh) * | 2018-11-08 | 2019-04-09 | 武汉科技大学 | 一种基于多目标遗传算法的带假结核酸结构预测方法 |
CN109871784A (zh) * | 2019-01-29 | 2019-06-11 | 吉林大学 | 遗传算法优化匹配追踪的全波核磁共振信号噪声滤除方法 |
CN110060728A (zh) * | 2019-04-10 | 2019-07-26 | 浙江科技学院 | 基于递归神经网络的rna二级结构预测方法 |
CN111275711A (zh) * | 2020-01-08 | 2020-06-12 | 西安电子科技大学 | 基于轻量级卷积神经网络模型的实时图像语义分割方法 |
CN112200353B (zh) * | 2020-09-30 | 2022-06-17 | 重庆师范大学 | 基于改进量子优化算法的支持向量机天气预测方法 |
CN112200353A (zh) * | 2020-09-30 | 2021-01-08 | 重庆师范大学 | 基于改进量子优化算法的支持向量机天气预测方法 |
CN112836864A (zh) * | 2021-01-18 | 2021-05-25 | 青岛理工大学 | 一种天气预测方法、系统、介质及电子设备 |
CN112836864B (zh) * | 2021-01-18 | 2023-03-31 | 青岛理工大学 | 一种天气预测方法、系统、介质及电子设备 |
CN112908409A (zh) * | 2021-03-09 | 2021-06-04 | 南京航空航天大学 | 一种基于并行改进人工蚁群算法的rna二级结构预测方法 |
CN116579253A (zh) * | 2023-07-11 | 2023-08-11 | 中国海洋大学 | 密封条的物理性能确定方法、装置、电子设备和存储介质 |
CN116579253B (zh) * | 2023-07-11 | 2023-09-22 | 中国海洋大学 | 密封条的物理性能确定方法、装置、电子设备和存储介质 |
CN117151238A (zh) * | 2023-10-27 | 2023-12-01 | 量子科技长三角产业创新中心 | 基于量子遗传算法的信号确定方法、量子计算装置及介质 |
CN117151238B (zh) * | 2023-10-27 | 2024-02-06 | 量子科技长三角产业创新中心 | 基于量子遗传算法的信号确定方法、量子计算装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629150A (zh) | 基于多种群协助的量子遗传算法的rna二级结构预测方法 | |
Ouyang et al. | Estimating parameters of Muskingum model using an adaptive hybrid PSO algorithm | |
CN101251592B (zh) | 一种无线传感器网络的节点定位方法 | |
EP3611799A1 (en) | Array element arrangement method for l-type array antenna based on inheritance of acquired characteristics | |
CN110162041A (zh) | 一种基于自适应遗传算法的机器人路径规划方法 | |
Froese et al. | The border k-means clustering algorithm for one dimensional data | |
CN106650305B (zh) | 一种基于局部抽象凸支撑面的多策略群体蛋白质结构预测方法 | |
CN112013829A (zh) | 基于多目标优化的多uav/ugv协同长时作业路径规划方法 | |
Deng et al. | A hybrid cellular genetic algorithm for the traveling salesman problem | |
CN106940742A (zh) | 基于快速自适应量子遗传算法的复杂井眼轨迹优化方法 | |
CN113359849A (zh) | 一种针对运动目标的多无人机协同快速搜索方法 | |
CN108229750A (zh) | 一种股票收益率预测方法 | |
CN107436969B (zh) | 一种基于遗传算法的三维多目标定位方法 | |
Wang et al. | An improved hybrid algorithm based on biogeography/complex and metropolis for many-objective optimization | |
CN116112563A (zh) | 一种基于流行度预测的双策略自适应缓存替换方法 | |
Sun et al. | Wireless sensor network node localization based on genetic algorithm | |
CN113722853B (zh) | 一种面向智能计算的群智能进化式工程设计约束优化方法 | |
Wang et al. | Evolutionary harmony search algorithm with metropolis acceptance criterion for travelling salesman problem | |
CN112484733B (zh) | 一种基于拓扑图的强化学习室内导航方法 | |
CN113361753A (zh) | 基于量子遗传算法的确定最优路径的方法、系统和介质 | |
CN106934453A (zh) | 一种立方系材料母相与子相间位向关系的确定方法 | |
CN112132433A (zh) | 一种基于新颖性搜索的多目标头脑风暴社区检测方法 | |
CN112132286A (zh) | 基于Grover算法的大数据集搜索多个目标项的方法 | |
Sun et al. | Optimization study and application on the K value of K-means algorithm | |
Sciriha et al. | Fast algorithms for indices of nested split graphs approximating real complex networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181009 |
|
RJ01 | Rejection of invention patent application after publication |