CN109346129A - 基于混沌和混合高斯变异改进引力搜索算法的dna序列优化方法 - Google Patents

Abstract

本发明属于DNA计算中编码设计领域，涉及群体智能优化算法和DNA编码，具体是基于混沌和混合高斯变异改进引力搜索算法的DNA序列优化方法。所述方法首先在D维搜索空间生成全部的DNA序列作为初始种群，再用基于混沌和混合高斯变异的引力搜索算法对初始种群进行寻优，通过不断的循环迭代最终可得优化问题的最优解；引力搜索算法需要计算每个个体不同方向上的总合力，然后根据总合力计算个体的加速度，根据加速度来更新每个个体的速度以及位置，如此循环，当算法达到最大迭代次数，算法搜索停止，最终构造出质量较优的DNA序列编码。本发明方法可以搜索出满足多个约束条件的最优DNA编码序列。

Description

基于混沌和混合高斯变异改进引力搜索算法的DNA序列优化 方法

技术领域

本发明属于DNA计算中编码设计领域，涉及群体智能优化算法和DNA编码，具体是基于混沌和混合高斯变异改进引力搜索算法的DNA序列优化方法。

背景技术

1994年，美国南加州大学的阿德尔曼教授提出用DNA分子进行计算的一种新的计算模式。在这种新的计算模式当中DNA分子被作为信息存储的单元并且分子之间的生化反应代表计算操作的过程。在这种背景下，沃森-克里克碱基互补配对原则是最重要的反应之一，因为这一反应能够成功地检索存储在DNA分子中的信息。然而必须保证在实际的生化反应过程中，编码每一个信息元的DNA分子能够被唯一识别，因为不期望的反应通常会导致不正确的计算。因此设计质量较高的DNA序列非常重要，这样能够确保集合中的DNA序列仅仅只与其互补的序列杂交。DNA序列优化问题，本质上属于多目标优化问题，需要不断探索新的算法优化DNA序列。

引力搜索算法是由E.Rashedi等人于2009年提出的元启发式优化算法，该算法的本质是模拟自然界中最常见的万有引力现象，将万有引力现象演化成随机搜索最优解的过程。引力搜索算法拥有很强的全局搜索能力，优于其它智能优化算法。

引力搜素算法将所有粒子当作有质量的物体，能够做无阻力运动。每个粒子会受到解空间中其它粒子的万有引力的影响，并产生加速度向质量更大的粒子运动。由于粒子的质量和粒子的适应度值有关，适应度值大的粒子质量也会更大，因此质量小的粒子在朝向质量大的粒子趋近的过程中逐渐逼近优化问题中的最优解。引力搜索算法与其它群智能优化算法不同之处在于粒子不需要通过环境因素来感知环境中的情况，而是通过个体之间的万有引力的相互作用来实现优化信息的共享，因此，在没有环境因素的影响下，粒子也能感知全局的情况，从而对环境开展搜索。

发明内容

本发明提供一种基于混沌和混合高斯变异的改进引力搜索算法的DNA序列优化方法，该方法可以搜索出满足多个约束条件的最优DNA编码序列。

为实现上述发明目的，本发明的技术方案为：

基于混沌和混合高斯变异改进引力搜索算法的DNA序列优化方法，所述方法将标准引力搜索算法的引力常数的公式做了改进，在算法的位置更新上加入混沌扰动和混合高斯变异，具体包括以下步骤：

步骤1：生成初始种群，初始化算法需要的参数，设置种群规模、迭代次数、以及所有粒子的初始化位置和速度；

步骤2：根据具体的目标函数计算每个粒子的适应度值；

步骤3：将得到的适应度值进行排序求出最优适应度和最差适应度值，然后用这两个适应度值计算每个粒子的质量，再将所有粒子质量相加求和，用每个粒子的质量比质量和即可得到每个个体的惯性质量；

步骤4：在D维空间上，计算每个个体所受来自其它所有的个体作用力的总和；

步骤5：利用步骤4得到的个体作用力的总和，根据牛顿第二定律，计算每个个体的加速度；

步骤6：用粒子的加速度更新个体的位置和速度，用混沌映射对位置进行扰动，再用混合高斯进行变异操做；

步骤7：返回步骤2循环迭代，直到达到最大循环次数；

步骤8：结束循环，输出结果。

本发明与现有技术相比具有以下创新点：

1.对标准引力搜索算法的引力系数进行改进，以增强全局探索能力，获得较快的全局收敛速度；

2.将标准引力搜索算法的位置更新用H映射做混沌扰动，使得算法保持一定的种群多样性，其跳出局部极值的能力加强；

3.在标准引力搜索算法的位置更新上增加混合高斯变异，加快算法向最优解区间靠近的速度，而且提高了算法跳出局部极值的能力和寻优精度，因此提高了算法的寻优性能。

附图说明

图1本发明的实现流程图。

具体实施方式

下面结合附图对本发明作进一步说明。本发明中涉及的约束条件有六条，分别为连续性约束、发夹结构、H-measure、相似性、解链温度、GC含量。本发明将约束条件的前四项作为目标函数，最后两项作为约束条件。

连续性约束表示在一个DNA序列中相同的碱基在给定的阈值内不能连续出现超过阈值的数量。发夹结构表示所要研究的序列可能产生二级结构的概率。

H-measure表示两序列间存在的互补碱基(包括滑动移位)的个数。相似性表示用于计算的两条DNA序列在相同方向的相似度。解链温度表示DNA分子在变形的过程中，一半的DNA分子由双链变成单链时的温度。GC含量约束表示DNA序列中任意一个标签中胞嘧啶(C)和鸟嘌呤(G)的数量占整个标签碱基数量的百分比，本发明将其约束在50％。

基于混沌和混合高斯变异改进引力搜索算法的DNA序列优化方法，所述方法根据DNA编码的约束条件，将引力常数做了改进、位置更新加入混沌扰动和混合高斯变异，然后应用于DNA编码序列优化中，该方法的具体步骤如下：

步骤1：构造出全部的DNA序列生成初始种群如表1，初始化算法需要的参数，设置种群规模、迭代次数、以及所有粒子的初始化位置和速度；

步骤2：根据具体的目标函数计算每个粒子的适应度值；其中，连续性约束、发夹结构、H-measure、相似性作为目标函数，解链温度、GC含量作为约束条件。

步骤3：将得到的适应度值进行排序求出最优适应度和最差适应度值，然后用这两个适应度值计算每个粒子的质量，再将所有粒子质量相加求和，用每个粒子的质量比质量和即可得到每个个体的惯性质量；

步骤4：在D维空间上，计算每个个体所受来自其它所有的个体作用力的总和；

步骤5：根据牛顿第二运动定律，物体的加速度与它所受合外力的大小成正比，与它的质量成反比，从而计算出每个粒子的加速度；

步骤6：用粒子的加速度更新个体的位置和速度，用混沌映射对位置进行扰动，再用混合高斯进行变异操做；

步骤7：返回步骤2循环迭代，直到达到最大循环次数；

步骤8：结束循环，输出结果；

实施例1

本实施例给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。本实例中DNA编码长度等于20，连续性约束、发夹结构约束、H-measure约束、相似性约束、解链温度约束、GC含量约束如上所述。

如图1所示，本发明基于混沌和混合高斯变异改进引力搜索算法的DNA序列优化方法，包括以下步骤：

步骤1：对种群进行初始化生成50个长度为20维的DNA编码序列，如表1所示。初始化算法所需要的相关参数，设置种群规模为50、迭代次数200，引力常数用到的系数G₀为100；

表1 初始DNA序列

步骤2：根据具体的目标函数计算每个粒子的适应度值，对全局最优解进行适应度计算并进行排序获得最优种群；适应度是用快速非支配排序对所有个体进行等级分配，若i个体在种群中的等级为r_i,则可设定1/r_i为该个体的适应度值；连续性约束、发夹结构、H-measure、相似性作为目标函数，解链温度、GC含量作为约束条件；通过MATLAB进行仿真实验得到引力搜索优化算法得到最优种群数为10。

步骤3：将步骤2得到的适应度值进行排序求出最优适应度为0.5，最差适应度值为0.298，然后用这两个适应度值计算每个粒子的质量，再将所有粒子质量相加求和，加速度并存在一个一行50列的数组里，用每个粒子的质量比所有粒子质量和即可得到每个个体的惯性质量；

步骤4：在20维空间上，计算每个个体所受来自其它所有的个体作用力的总和并将值存放在一行20列的数组里面；

步骤5：根据牛顿第二运动定律如公式(1)，物体的加速度与它所受合外力的大小成正比，与它的质量成反比，从而计算出每个粒子的加速度并将其值保存在50行20列的矩阵当中；

步骤6：用粒子的加速度更新个体的速度(3)和位置(4)，用混沌映射对位置进行扰动(5)，再用混合高斯进行变异操做(6)；

步骤7：返回步骤2循环迭代，直到达到最大循环次数200；

步骤8：结束循环，选出适应度最高的7个序列作为最优解，输出结果，最终构造出最优DNA序列，最优DNA序列集合如表2所示。

表2 最优DNA序列

本发明提出基于混沌和混合高斯变异的改进引力搜索算法的DNA序列优化方法，对标准引力搜索算法引力常数做了改进。在引力搜索算法的位置更新处加入混沌扰动和混合高斯变异，将最优解进行非支配排序，最终选出排序后适应度值最大的7个序列作为最优的DNA序列集合。本发明在Intel(R)CPU3.6GHz、4.0GB内存、Windows 7运行环境下，借助MATLAB对该算法进行仿真实验，实验结果表明本实例的方法结果优于其他算法的实验结果

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其构思以等同替换或改变，都应涵盖在本发明的保护范围内。

Claims (1)

1.基于混沌和混合高斯变异改进引力搜索算法的DNA序列优化方法，其特征在于，所述方法将标准引力搜索算法的引力常数的公式做了改进，在算法的位置更新上加入混沌扰动和混合高斯变异，具体包括以下步骤：

步骤1：生成初始种群，初始化算法需要的参数，设置种群规模、迭代次数、以及所有粒子的初始化位置和速度；

步骤2：根据具体的目标函数计算每个粒子的适应度值；

步骤3：将得到的适应度值进行排序求出最优适应度和最差适应度值，然后用这两个适应度值计算每个粒子的质量，再将所有粒子质量相加求和，用每个粒子的质量比质量和即可得到每个个体的惯性质量；

步骤4：在D维空间上，计算每个个体所受来自其它所有的个体作用力的总和；

步骤5：根据每个个体受到作用力的总和，利用牛顿第二定律，计算每个个体的加速度；

步骤6：用粒子的加速度更新个体的位置和速度，用混沌映射对位置进行扰动，再用混合高斯进行变异操做；

步骤7：返回步骤2循环迭代，直到达到最大循环次数；

步骤8：结束循环，输出结果。