CN114550822A - 一种基于智能优化算法的繁殖指导方法及装置 - Google Patents
一种基于智能优化算法的繁殖指导方法及装置 Download PDFInfo
- Publication number
- CN114550822A CN114550822A CN202210095564.2A CN202210095564A CN114550822A CN 114550822 A CN114550822 A CN 114550822A CN 202210095564 A CN202210095564 A CN 202210095564A CN 114550822 A CN114550822 A CN 114550822A
- Authority
- CN
- China
- Prior art keywords
- population
- individuals
- mating
- genotype
- gene
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 230000013011 mating Effects 0.000 claims abstract description 87
- 239000002245 particle Substances 0.000 claims abstract description 9
- 230000009326 social learning Effects 0.000 claims abstract description 9
- 108090000623 proteins and genes Proteins 0.000 claims description 38
- 241000699670 Mus sp. Species 0.000 claims description 33
- 108700005090 Lethal Genes Proteins 0.000 claims description 26
- 238000009395 breeding Methods 0.000 claims description 16
- 230000001488 breeding effect Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 231100000518 lethal Toxicity 0.000 claims description 8
- 230000001665 lethal effect Effects 0.000 claims description 8
- 230000004083 survival effect Effects 0.000 claims description 6
- 230000035558 fertility Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 abstract description 2
- 241000699666 Mus <mouse, genus> Species 0.000 description 12
- 210000001015 abdomen Anatomy 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000013016 learning Effects 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010172 mouse model Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011830 transgenic mouse model Methods 0.000 description 1
Images
Classifications
-
- 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
- G16B20/40—Population genetics; Linkage disequilibrium
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Genetics & Genomics (AREA)
- Chemical & Material Sciences (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Analytical Chemistry (AREA)
- Public Health (AREA)
- Ecology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域,具体涉及一种基于智能优化算法的繁殖指导方法及装置,方法包括:公开了一种基于智能优化算法的种群期望基因繁殖最优策略指导方法,以得到期望基因过程中的时间和经济成本为目标,考虑种群的寿命、致死基因及数量等约束,对种群交配采样社会学习粒子群的智能优化算法来完成对交配过程的优化,以指导实验人员在每一代交配过程中应该把哪些基因型的种群放在一起,从而达到对种群交配进行指导目的。
Description
技术领域
本发明涉及人工智能领域,具体而言,涉及一种基于智能优化算法的繁殖指导方法及装置。
背景技术
在生物医学领域,转基因小鼠具有独特的优越性和实用价值,发挥着重大作用;尤其是通过交配获得的多基因型小鼠疾病模型,在药物研发和机制研究中不可或缺。然而,在实际操作中,繁育获取多基因型小鼠模型的过程往往需要很大的时间、经济成本;尽管可参照孟德尔遗传定律制定繁育策略并最终获得期望基因型小鼠模型,但是如何最快、最高效地繁育尚无合理指导策略。
在进行生物医学相关实验时,往往需要得到一些预先期望的基因类型,而这些基因则需要通过对实验生物(以小鼠为例)来进行不断地交配而最终得到。由于在小鼠交配过程严格按照孟德尔遗传定律,即小鼠没代交配后所获得的基因型是按照一定概率得到的,因此在得到期望基因型的过程中往往需要很大的时间、经济成本。此外,由于没有合理的指导策略,在进行小鼠交配的环节中,有很多的交配环节都是无用功,这无疑进一步增加了相关成本。
通常,研究人员在通过小鼠交配来得到期望基因型时,往往都是凭经验的人为安排小鼠每一代的交配,而这通常会获得大量本身不期望的基因型,随机性太大,相应的会造成很多额外的时间和经济成本;因此,需要设计一种有效的小鼠交配指导策略,来为得到期望基因过程中繁殖小鼠,提供合理的交配指导。
发明内容
本发明实施例提供了一种基于智能优化算法的繁殖指导方法及装置,能为种群的繁殖提供最快、最高效的交配策略指导。
根据本发明的一实施例,提供了一种基于智能优化算法的繁殖指导方法,包括以下步骤:
获取种群初代的初始参数,初始参数包括基因型、期望基因型、寿命信息及致死基因信息;
将种群分为雌雄两组,获取雌雄两组随机进行交配产生种群的第二代的基因型;
查询第二代的基因型中是否有期望基因;
若有期望基因,则计算整个交配过程中得到期望基因型的时间和经济成本,并初始化初始参数;若未发现有期望基因,则继续使种群的初代随机进行交配,直至出现期望基因;
重复获取雌雄两组随机进行交配产生种群的第二代的基因型,直至种群的数量达到预设规模;
当种群的数量达到预设规模时,进行选取繁殖最快、最高效的那组雌雄个体的交配策略,直至选取次数达到预设选取次数。
进一步地,若有期望基因,则计算整个交配过程中得到期望基因型的时间和经济成本具体为:
通过总成本计算公式计算整个交配过程中得到期望基因型的时间和经济成本;
总成本计算公式为:
其中,C表示达到期望基因时所需要的总成本,此成本包括时间成本和经济成本,Ng表示当前的代数,n表示达到最终期望基因时所需要的代数,T(Ng)表示完成每代交配所需的时间,β*Cmouse*Nmouse(Ng)表示每代完成交配所需的经济成本,Cmouse表示完成一代交配时所需要花费的经济成本,包括食物、人工,Nmouse(Ng)则表示该代一共有多少只可以参与交配,α和β分别为权重系数,可由根据实际要求进行预设调整,即若更注重时间成本而非经济成本,则可使α大于β。
进一步地,在若有期望基因,则计算整个交配过程中得到期望基因型的时间和经济成本之前还包括:
对种群的进行约束处理,约束处理包括寿命约束、致死基因约束及种群数量约束。
进一步地,寿命约束为:
在种群进行交配的过程中考虑个体的寿命问题,超过预设年限的个体在种群中视为寿命失活个体;寿命失活个体的表达式为:
式中,Mouselife代表小鼠当前的存活状态,1表示种群中的可以正常交配的个体,0表示种群中已经超过预设生存代数,其设置为已经失活,MouseNg表示当前个体已经存活的代数,lifemax表示个体可以存活的最大代数。
进一步地,致死基因约束为:
种群中导致个体丧失生育能力及死亡的基因型被视为致死基于,将有致死基因的个体视为致死基因失活个体;致死基因失活个体的表达式为:
其中,Genedeath表示致死基因,若该致死基因出现,则携带该基因型的个体都视为失活个体。
进一步地,种群数量约束具体为:
预设种群个体数量,将超过预设的个体数量,视为数量失活个体。
进一步地,种群预设个体的数量,将超过预设数量,视为数量失活个体具体为:
依次优先将参数交配次数多的个体视为失活个体。
进一步地,采用社会学习粒子群算法来选取繁殖最快、最高效的雌雄个体的交配策略,社会学习粒子群算法表达式为:
Δxij(t+1)=r1(t)Δxi,j(t)+r2(t)Ii,j(t)+φr3(t)Ci,j(t)
其中,xi,j(t)代表第t代时,i个个体的第j个维度,Δxi,j(t+1)是从优于i个个体身上学习的量,Ii,j(t)代表i个个体的第j个维度与比i个个体优秀的个体对应维度的差值,Cj,t则代表i个个体的第j个维度与当前种群所有个体第j个维度的平均值的差值,r1(t)、r2(t)与r3(t)均为0到1之间的随机数,φ为一个与问题维度和种群规模相关的数,φ设定值为1。
进一步地,在当种群的数量达到预设规模时,进行选取适应度最高的那组雌雄个体的交配策略,直至选取次数达到预设选取次数之后还包括:
当选取次数达到预设选取次数时,则输出适应度最高的那组雌雄个体的交配策略至显示模块进行显示。
一种基于智能优化算法的繁殖指导装置,包括:
数据获取模块,用于获取种群初代的初始参数,初始参数包括基因型、期望基因型、寿命信息及致死基因信息;
第一获取模块,用于将种群分为雌雄两组,获取雌雄两组随机进行交配产生种群的第二代的基因型,
查询模块,用于查询第二代的基因型中是否有期望基因,
成本计算模块,用于若有期望基因,则计算整个交配过程中得到期望基因型的时间和经济成本,并初始化初始参数;若未发现有期望基因,则继续使种群的初代随机进行交配,直至出现期望基因;
第二获取模块,用于重复获取雌雄两组随机进行交配产生种群的第二代的基因型,直至种群的数量达到预设规模;
策略选取模块,用于当种群的数量达到预设规模时,进行选取适应度最高的那组雌雄个体的交配策略,直至选取次数达到预设选取次数。
本发明实施例中的基于智能优化算法的繁殖指导方法及装置,方法包括:公开了一种基于智能优化算法的种群期望基因繁殖最优策略指导方法,以得到期望基因过程中的时间和经济成本为目标,考虑种群的寿命、致死基因及数量等约束,对种群交配采样社会学习粒子群的智能优化算法来完成对交配过程的优化,以指导实验人员在每一代交配过程中应该把哪些基因型的种群放在一起,从而达到对种群交配进行指导目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明基于深度学习的腹部体影像肝脏分割方法的流程图;
图2为本发明基于深度学习的腹部体影像肝脏分割装置的模块图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
参见图1,根据本发明一实施例,提供了一种基于智能优化算法的繁殖指导方法,包括以下步骤:
S100:获取种群初代的初始参数,初始参数包括基因型、期望基因型、寿命信息及致死基因信息。
首先要得到初始化的数据,要得到初代小鼠的基因型以及期望小鼠的基因型,以及小鼠的寿命和致死基因等信息。其中小鼠交配的过程严格遵循孟德尔遗传定律,所产生的下一代基因型严格按照相关概率产生,此外本方法结合实际,指定每一次交配所得到的小鼠的数量遵循一个高斯分布。
S200:将种群分为雌雄两组,获取雌雄两组随机进行交配产生种群的第二代的基因型。
具体地,算法的种群定义为所有可以参与交配的小鼠。交配过程首先将种群分为公母两个种群,然后采取随机交配的原则,从两个种群中随机抽取个体进行交配。交配后产生子代的公母概率也严格遵循孟德尔遗传定律,即公或母的概率均为1/2。
S300:查询第二代的基因型中是否有期望基因。
具体地,步骤S300包括:
S301:通过总成本计算公式计算整个交配过程中得到期望基因型的时间和经济成本;
总成本计算公式为:
其中,C表示达到期望基因时所需要的总成本,此成本包括时间成本和经济成本,Ng表示当前的代数,n表示达到最终期望基因时所需要的代数,T(Ng)表示完成每代交配所需的时间,结合实际该成本通常是一个常数;β*Cmouse*Nmouse(Ng)表示每代完成交配所需的经济成本,Cmouse表示每只小鼠在完成一代交配时所需要花费的经济成本,包括食物、人工等,Nmouse(Ng)则表示该代一共有多少只可以参与交配,α和β分别为权重系数,可由实验人员根据实际要求进行预设调整,即若更注重时间成本而非经济成本,则可使α大于β。
S400:若有期望基因,则计算整个交配过程中得到期望基因型的时间和经济成本,并初始化初始参数;若未发现有期望基因,则继续使种群的初代随机进行交配,直至出现期望基因。
具体地,在步骤S400之前还包括:
对种群的进行约束处理,约束处理包括寿命约束、致死基因约束及种群数量约束;其中,
寿命约束为:
由于小鼠的寿命是有限的,因此在进行小鼠交配的过程中必须考虑小鼠的寿命问题,超过最大寿命的小鼠必须在种群中失活;在种群进行交配的过程中考虑个体的寿命问题,超过预设年限的个体在种群中视为寿命失活个体;寿命失活个体的表达式为:
式中,Mouselife代表小鼠当前的存活状态,1表示小鼠活着且可以正常交配,0表示小鼠已经超过最大生存代数,已经死亡。MouseNg表示当前小鼠已经存活的代数,lifemax表示小鼠可以存活的最大代数。
致死基因约束为:
由于在交配过程中,有一些基因型的小鼠会导致小鼠丧失生育能力,也有一部分基因会导致小鼠直接死亡,这些基因型都被认定为是致死基因,出现这种基因型的小鼠都必须失活;因此,种群中导致个体丧失生育能力及死亡的基因型被视为致死基于,将有致死基因的个体视为致死基因失活个体;致死基因失活个体的表达式为:
其中,Genedeath表示致死基因,若该致死基因出现,则携带该基因型的个体都视为失活个体。
小鼠数量约束具体为:
预设种群个体数量,将超过预设的个体数量,视为数量失活个体,且依次优先将参数交配次数多的个体视为失活个体。
具体地,除了寿命约束以及致死基因约束以外,还应包括小鼠最大数量的约束,由于实验条件的限制,参与交配的小鼠不可能是无限的,当小鼠总数大于极值时,应使超出极值数目的小鼠失活,且应该让参与交配次数越多的小鼠越优先失活。
S500:重复获取雌雄两组随机进行交配产生种群的第二代的基因型,直至种群的数量达到预设规模。
具体地,算法框架的起始阶段,在得到期望基因型以及初代小鼠的基因型和其他相关信息后,即可开始寻优过程;在设定算法的迭代过程时,只要期望基因型没有出现,就必须继续安排小鼠交配;期望基因型出现,一个个体才算正式得出,此时应将各数据和参数进行初始化,再得到下个个体,直到达到指定或预设的种群规模;达到指定种群规模后即可使SLSPSO(社会学习粒子群算法)开始迭代寻优过程,从而最终得到最优的交配策略。
S600:当种群的数量达到预设规模时,进行选取繁殖最快、最高效的那组雌雄个体的交配策略,直至选取次数达到预设选取次数。
本发明采用社会学习粒子群算法(SLPSO)来选取繁殖最快、最高效的雌雄个体的交配策略。SLPSO是一种启发式智能优化方法,其通过让种群中的个体不断向比自己优秀的个体(适应度值更高)学习来进行迭代寻优,最终得到最优结果。SLPSO的表达式为:
Δxi,j(t+1)=r1(t)Δxi,j(t)+r2(t)Ii,j(t)+φr3(t)Ci,j(t)
其中,xi,j(t)代表第t代时,i个个体的第j个维度,Δxi,j(t+1)是从优于i个个体身上学习的量,Ii,j(t)代表i个个体的第j个维度与比i个个体优秀的个体对应维度的差值,Cj,t则代表i个个体的第j个维度与当前种群所有个体第j个维度的平均值的差值,r1(t)、r2(t)与r3(t)均为0到1之间的随机数,φ为一个与问题维度和种群规模相关的数,本算法为了加快计算时间,φ设定值为1;映射于本发明中,每个个体主要是包含从初始阶段到最终得到期望基因型过程中的交配方案(即记录每一次交配的父代和子代基因型)。
实施例中,在步骤S600之后还包括:
S601:当选取次数达到预设选取次数时,则输出适应度最高的那组雌雄个体的交配策略至显示模块进行显示。
具体地,整个学习框架将按照上述步骤的模式进行寻优,直到达到设定的最大训练次数时,即可输出使适应度最高的那组小鼠交配策略,并将该结果可视化,指导实验人员按照次策略安排小鼠进行交配;适应度最高包括小鼠繁殖繁殖最快、最高效的交配策略。
需要说明的是,由于实验室最为常用的为小鼠进行实验;因此,本申请的实施例以小鼠为例进行说明,但不意味着限制本发明方法仅能用于小鼠。
参见图2,根据本发明一实施例,提供了一种基于智能优化算法的繁殖指导装置,其特征在于,包括:
数据获取模块100,用于获取种群初代的初始参数,初始参数包括基因型、期望基因型、寿命信息及致死基因信息;
第一获取模块200,用于将种群分为雌雄两组,获取雌雄两组随机进行交配产生种群的第二代的基因型,
查询模块300,用于查询第二代的基因型中是否有期望基因,
成本计算模块400,用于若有期望基因,则计算整个交配过程中得到期望基因型的时间和经济成本,并初始化初始参数;若未发现有期望基因,则继续使种群的初代随机进行交配,直至出现期望基因;
第二获取模块500,用于重复获取雌雄两组随机进行交配产生种群的第二代的基因型,直至种群的数量达到预设规模;
策略选取模块600,用于当种群的数量达到预设规模时,进行选取适应度最高的那组雌雄个体的交配策略,直至选取次数达到预设选取次数。
本申请公开了一种基于智能优化算法的种群期望基因繁殖最优策略指导方法,以得到期望基因过程中的时间和经济成本为目标,考虑种群的寿命、致死基因及数量等约束,对种群交配采样社会学习粒子群的智能优化算法来完成对交配过程的优化,以指导实验人员在每一代交配过程中应该把哪些基因型的种群放在一起,从而达到对种群交配进行指导目的。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于智能优化算法的繁殖指导方法,其特征在于,包括以下步骤:
获取种群初代的初始参数,所述初始参数包括基因型、期望基因型、寿命信息及致死基因信息;
将所述种群分为雌雄两组,获取雌雄两组随机进行交配产生所述种群的第二代的基因型;
查询所述第二代的基因型中是否有所述期望基因;
若有所述期望基因,则计算整个交配过程中得到所述期望基因型的时间和经济成本,并初始化所述初始参数;若未发现有所述期望基因,则继续使所述种群的初代随机进行交配,直至出现所述期望基因;
重复获取雌雄两组随机进行交配产生所述种群的第二代的基因型,直至所述种群的数量达到预设规模;
当所述种群的数量达到所述预设规模时,进行选取繁殖最快、最高效的那组雌雄个体的交配策略,直至选取次数达到预设选取次数。
2.根据权利要求1所述的基于智能优化算法的繁殖指导方法,其特征在于,所述若有所述期望基因,则计算整个交配过程中得到所述期望基因型的时间和经济成本具体为:
通过总成本计算公式计算整个交配过程中得到所述期望基因型的时间和经济成本;
所述总成本计算公式为:
其中,C表示达到期望基因时所需要的总成本,此成本包括时间成本和经济成本,Ng表示当前的代数,n表示达到最终期望基因时所需要的代数,T(Ng)表示完成每代交配所需的时间,β*Cmouse*Nmouse(Ng)表示每代完成交配所需的经济成本,Cmouse表示完成一代交配时所需要花费的经济成本,包括食物、人工,Nmouse(Ng)则表示该代一共有多少只可以参与交配,α和β分别为权重系数,可由根据实际要求进行预设调整,即若更注重时间成本而非经济成本,则可使α大于β。
3.根据权利要求1所述的基于智能优化算法的繁殖指导方法,其特征在于,在若有所述期望基因,则计算整个交配过程中得到所述期望基因型的时间和经济成本之前还包括:
对所述种群的进行约束处理,所述约束处理包括寿命约束、致死基因约束及种群数量约束。
6.根据权利要求3所述的基于智能优化算法的繁殖指导方法,其特征在于,所述种群数量约束具体为:
预设所述种群个体数量,将超过预设的个体数量,视为数量失活个体。
7.根据权利要求6所述的基于智能优化算法的繁殖指导方法,其特征在于,所述种群预设个体的数量,将超过预设数量,视为数量失活个体具体为:
依次优先将参数交配次数多的个体视为失活个体。
8.根据权利要求1所述的基于智能优化算法的繁殖指导方法,其特征在于,采用社会学习粒子群算法来选取所述繁殖最快、最高效的雌雄个体的交配策略,所述社会学习粒子群算法表达式为:
Δxi,j(t+1)=r1(t)Δxi,j(t)+r2(t)Ii,j(t)+φr3(t)Ci,j(t)
其中,xi,j(t)代表第t代时,i个个体的第j个维度,Δxi,j(t+1)是从优于i个个体身上学习的量,Ii,j(t)代表i个个体的第j个维度与比i个个体优秀的个体对应维度的差值,Cj,t则代表i个个体的第j个维度与当前种群所有个体第j个维度的平均值的差值,r1(t)、r2(t)与r3(t)均为0到1之间的随机数,φ为一个与问题维度和种群规模相关的数,φ设定值为1。
9.根据权利要求1所述的基于智能优化算法的繁殖指导方法,其特征在于,在所述当所述种群的数量达到所述预设规模时,进行选取适应度最高的那组雌雄个体的交配策略,直至选取次数达到预设选取次数之后还包括:
当选取次数达到预设选取次数时,则输出适应度最高的那组雌雄个体的交配策略至显示模块进行显示。
10.一种基于智能优化算法的繁殖指导装置,其特征在于,包括:
数据获取模块,用于获取种群初代的初始参数,所述初始参数包括基因型、期望基因型、寿命信息及致死基因信息;
第一获取模块,用于将所述种群分为雌雄两组,获取雌雄两组随机进行交配产生所述种群的第二代的基因型,
查询模块,用于查询所述第二代的基因型中是否有所述期望基因,
成本计算模块,用于若有所述期望基因,则计算整个交配过程中得到所述期望基因型的时间和经济成本,并初始化所述初始参数;若未发现有所述期望基因,则继续使所述种群的初代随机进行交配,直至出现所述期望基因;
第二获取模块,用于重复获取雌雄两组随机进行交配产生所述种群的第二代的基因型,直至所述种群的数量达到预设规模;
策略选取模块,用于当所述种群的数量达到所述预设规模时,进行选取适应度最高的那组雌雄个体的交配策略,直至选取次数达到预设选取次数。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210095564.2A CN114550822A (zh) | 2022-01-26 | 2022-01-26 | 一种基于智能优化算法的繁殖指导方法及装置 |
PCT/CN2022/138187 WO2023142722A1 (zh) | 2022-01-26 | 2022-12-09 | 一种基于智能优化算法的繁殖指导方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210095564.2A CN114550822A (zh) | 2022-01-26 | 2022-01-26 | 一种基于智能优化算法的繁殖指导方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114550822A true CN114550822A (zh) | 2022-05-27 |
Family
ID=81674546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210095564.2A Pending CN114550822A (zh) | 2022-01-26 | 2022-01-26 | 一种基于智能优化算法的繁殖指导方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114550822A (zh) |
WO (1) | WO2023142722A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023142722A1 (zh) * | 2022-01-26 | 2023-08-03 | 深圳先进技术研究院 | 一种基于智能优化算法的繁殖指导方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101843214B (zh) * | 2009-03-25 | 2013-12-25 | 李晓方 | 农作物多基因型杂交一代种群的构建与种子生产方法 |
JP6201265B2 (ja) * | 2014-10-22 | 2017-09-27 | 静岡県 | 所望の形質を有する豚の作出方法 |
CN113051148B (zh) * | 2019-12-26 | 2023-09-26 | 南京邮电大学 | 一种基于双基因链遗传算法的组合测试用例生成方法 |
CN117238379A (zh) * | 2020-09-17 | 2023-12-15 | 温州大学 | 存储有基因选择方法程序的存储介质 |
CN114550822A (zh) * | 2022-01-26 | 2022-05-27 | 深圳先进技术研究院 | 一种基于智能优化算法的繁殖指导方法及装置 |
-
2022
- 2022-01-26 CN CN202210095564.2A patent/CN114550822A/zh active Pending
- 2022-12-09 WO PCT/CN2022/138187 patent/WO2023142722A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023142722A1 (zh) * | 2022-01-26 | 2023-08-03 | 深圳先进技术研究院 | 一种基于智能优化算法的繁殖指导方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2023142722A1 (zh) | 2023-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Anderson | Large-scale parentage inference with SNPs: an efficient algorithm for statistical confidence of parent pair allocations | |
Hedrick | Genetics of populations | |
Goldsmith | The Evolution of Aging: How new theories will change the future of medicine | |
Berner et al. | How mechanisms of habitat preference evolve and promote divergence with gene flow | |
Lehmann et al. | Finding Nemo’s Genes: A chromosome‐scale reference assembly of the genome of the orange clownfish Amphiprion percula | |
Scott | The evolution of social systems | |
CN109101786A (zh) | 一种整合显性效应的基因组育种值估计方法 | |
Peng et al. | Forward-time population genetics simulations: methods, implementation, and applications | |
Kondrashov | Crumbling genome: The impact of deleterious mutations on humans | |
CN114550822A (zh) | 一种基于智能优化算法的繁殖指导方法及装置 | |
Lewanski et al. | The era of the ARG: An introduction to ancestral recombination graphs and their significance in empirical evolutionary genomics | |
Plate et al. | Comparison of infinitesimal and finite locus models for long-term breeding simulations with direct and maternal effects at the example of honeybees | |
Stenseth et al. | Gregor Johann Mendel and the development of modern evolutionary biology | |
Kumar et al. | Red flour beetle (Tribolium castaneum): From population genetics to functional genomics | |
Hidalgo et al. | Investigating the persistence of accuracy of genomic predictions over time in broilers | |
Delomas et al. | Grandparent inference from genetic data: The potential for parentage‐based tagging programs to identify offspring of hatchery strays | |
Wade et al. | Quantifying the fraction of new mutations that are recessive lethal | |
Gardner et al. | The evolution of hermaphroditism by an infectious male-derived cell lineage: an inclusive-fitness analysis | |
National Research Council et al. | The role of theory in advancing 21st-century biology: catalyzing transformative research | |
Aceto et al. | The complexity of checking consistency of pedigree information and related problems | |
da Silva et al. | Hill–Robertson interference maintained by Red Queen dynamics favours the evolution of sex | |
Haccou et al. | Modes of reproduction and the accumulation of deleterious mutations with multiplicative fitness effects | |
Havelka et al. | Chromosome-scale genome assembly and transcriptome assembly of kawakawa Euthynnus affinis; a tuna-like species | |
Pfenninger et al. | Spontaneous rate of clonal single nucleotide mutations in Daphnia galeata | |
Wiley | Natural Selection |
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 |