CN114912610B - 一种基于膜计算的单细胞膜最优解计算优化方法 - Google Patents
一种基于膜计算的单细胞膜最优解计算优化方法 Download PDFInfo
- Publication number
- CN114912610B CN114912610B CN202210590303.8A CN202210590303A CN114912610B CN 114912610 B CN114912610 B CN 114912610B CN 202210590303 A CN202210590303 A CN 202210590303A CN 114912610 B CN114912610 B CN 114912610B
- Authority
- CN
- China
- Prior art keywords
- membrane
- rule
- sca
- single cell
- calculation
- 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.)
- Active
Links
- 239000012528 membrane Substances 0.000 title claims abstract description 169
- 210000000170 cell membrane Anatomy 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004364 calculation method Methods 0.000 title claims abstract description 62
- 238000005457 optimization Methods 0.000 title claims abstract description 61
- 210000004027 cell Anatomy 0.000 claims abstract description 88
- 210000003463 organelle Anatomy 0.000 claims abstract description 61
- 230000006870 function Effects 0.000 claims abstract description 21
- 238000004891 communication Methods 0.000 claims abstract description 19
- 239000002344 surface layer Substances 0.000 claims abstract description 8
- 238000006555 catalytic reaction Methods 0.000 claims abstract description 6
- 230000035772 mutation Effects 0.000 claims description 29
- 108090000623 proteins and genes Proteins 0.000 claims description 26
- 230000003834 intracellular effect Effects 0.000 claims description 22
- 102000004169 proteins and genes Human genes 0.000 claims description 20
- 150000001875 compounds Chemical class 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000006467 substitution reaction Methods 0.000 claims description 12
- 210000003934 vacuole Anatomy 0.000 claims description 12
- 102000002812 Heat-Shock Proteins Human genes 0.000 claims description 9
- 108010004889 Heat-Shock Proteins Proteins 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 210000005061 intracellular organelle Anatomy 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000006911 enzymatic reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000013518 transcription Methods 0.000 claims description 6
- 230000035897 transcription Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000003851 biochemical process Effects 0.000 claims description 3
- 230000006378 damage Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000008642 heat stress Effects 0.000 claims description 3
- 230000010189 intracellular transport Effects 0.000 claims description 3
- 238000000409 membrane extraction Methods 0.000 claims description 3
- 229920001184 polypeptide Polymers 0.000 claims description 3
- 102000004196 processed proteins & peptides Human genes 0.000 claims description 3
- 108090000765 processed proteins & peptides Proteins 0.000 claims description 3
- 230000001681 protective effect Effects 0.000 claims description 3
- 230000003248 secreting effect Effects 0.000 claims description 3
- 230000035882 stress Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 4
- 230000003915 cell function Effects 0.000 abstract 1
- 210000002390 cell membrane structure Anatomy 0.000 abstract 1
- 238000004090 dissolution Methods 0.000 abstract 1
- 210000000633 nuclear envelope Anatomy 0.000 description 10
- 210000002472 endoplasmic reticulum Anatomy 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000004940 nucleus Anatomy 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000006819 RNA synthesis Effects 0.000 description 1
- 102000004389 Ribonucleoproteins Human genes 0.000 description 1
- 108010081734 Ribonucleoproteins Proteins 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000024245 cell differentiation Effects 0.000 description 1
- 230000010261 cell growth Effects 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 230000019522 cellular metabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000003527 eukaryotic cell Anatomy 0.000 description 1
- 210000002288 golgi apparatus Anatomy 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000003712 lysosome Anatomy 0.000 description 1
- 230000001868 lysosomic effect Effects 0.000 description 1
- 229920002521 macromolecule Polymers 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 210000003705 ribosome Anatomy 0.000 description 1
- 210000003935 rough endoplasmic reticulum Anatomy 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Micro-Organisms Or Cultivation Processes Thereof (AREA)
Abstract
本发明公开了一种基于膜计算的单细胞膜最优解计算优化方法，属于膜计算领域。在单细胞膜优化方法中，每个子膜包含的通信取代进化的控制规则使用、结构化对象中所涉及的重写膜系统和计算中产生的自适应膜结构，以及表层膜中采用的选择规则、催化规则、溶解规则和细胞器膜间的条件通讯规则，将细胞内各种细胞器的功能抽象为细胞器膜结构，使各类细胞器膜具有不同功能，以达到对细胞功能的模仿，通过不同膜对寻优结果进行不同的加工，由每个细胞个体对结果进行取舍，实现优化计算。
Description
技术领域
本发明涉及膜计算领域，具体涉及一种基于膜计算的单细胞膜最优解计算优化方法。
背景技术
生物膜的基本功能就是分区，细胞膜可以吸收物质到细胞内部，阻止有害物质进入，将细胞外膜称为细胞表层膜，这也是多细胞膜元启发算法的基本运算单元。在细胞内部。细胞核通过核膜将自己同细胞内环境分开，核糖体、溶酶体、高尔基体等细胞器通过生物膜实现独立存在，粗面内质网与细胞核通过内质网膜与核膜实现接触。将细胞内器官的生物膜称为细胞器膜，这也是SCA基于膜计算框架下进行分布式并行运算的基础。这些细胞器独立存在具备不同功能又相互联系，共同构成细胞的生命活动。将细胞内各种细胞器的功能抽象为细胞器膜结构，使各类细胞器膜具有不同功能，以达到对细胞功能的模仿，通过不同膜对寻优结果进行不同的加工，由每个细胞个体对结果进行取舍，实现优化计算。膜计算的本质是将细胞的不同功能器官抽象成膜功能，实现像细胞一样的计算能力。
现有方法不能够全面分析解集内的数据集中每个参数对求解问题的影响，不能够将细胞器膜寻优结果逐渐随迭代次数收敛于最优解附近，不能够增加SCA解的突变量，SCA在当前最优解并不理想时不能跳出当前区域，重新寻找新的搜索区域。
发明内容
针对现有技术的不足，本发明提出了一种基于膜计算的单细胞膜最优解计算优化方法。
本发明的目的可以通过以下技术方案实现：一种基于膜计算的单细胞膜最优解计算优化方法，其特征在于，包括单细胞膜优化方法，在单细胞膜优化方法中，每个子膜包含的通信取代进化的控制规则使用，细胞内细胞器膜的创建规则和可行解的创建规则，以及表层膜中采用的选择规则、催化规则、膜间提取规则、配对规则和细胞器膜内反应规则；所述单细胞膜优化方法具体步骤包括：
步骤一：初始化参数，当前步长s＝1，设定类ATP构象子Q的参数，设置方法运行最大步长S，SCA表层膜内根据待求解问题维度dim，执行细胞器膜的创建规则，生成J个细胞器膜(J＝dim+1)，根据可行解的生成规则，子模生成初始可行解集Xj；
步骤二：计算各个子膜内的适应度fitj，并求出当前步长全局最优适应度fitbest，确定当前步长全局最优解集判断是否s＝S，是，执行步骤六；否，执行步骤三；
步骤三：根据细胞中的能量规则更新α，根据酶促反应规则更新HSP的值，根据通信取代进化中的控制规则将当前步长最优解更新至每个子膜中(液泡膜除外)；
步骤四：根据子膜(液泡膜除外)内反应规则中的突变规则对解集[Xj]j中进行更新，根据交叉规则对/>进行更新；
步骤五：根据膜间提取规则，对液泡膜[XJ]J进行更新，更新当前步长s＝s+1，并返回步骤二；
步骤六：输出fitbest及至表层膜中。
进一步的，所述单细胞膜优化方法中的细胞内细胞器膜的创建规则具体描述：
细胞内细胞器膜的创建规则
SCA抽象出的胞内区室化特征决定其计算能力，而细胞器膜作为可行解集的主要重写系统，需要根据求解问题的维度(dim)，生成不同数量的细胞器膜，不同细胞器膜都有自己的规则集；
[]0→[[]1 []2…[]j…[]J]0
其中：[]0表示表层膜；J表示单个细胞内细胞器膜的数量，也是该单细胞膜系统所包含的候选解的组数，且J＝dim+1；[]j表示第j个子膜，且膜内的初始数据集为空；
在求解优化问题的初始阶段，SCA表层膜内会生成J个子膜，且J＝dim+1，由于不同细胞器膜具有不同功能，足够数量的细胞器膜可以保证每一次迭代过程中，SCA可以全面分析解集内的数据集中每个参数对求解问题的影响。
进一步的，所述单细胞膜优化方法中的计算规则可行解的创建规则具体描述：
可行解的创建规则
当细胞器膜生成后，SCA会生成初始可行解集，初始可行解集是在定义域内随机生成；
[]j→[Xj]j
其中：Xj是一组向量，表示SCA中第j个子膜内的解； 代表当前Xj解的第k维；/>rand表示随机生成0-1间的随机数，ubk代表第k维度变量的上界，lbk代表第k维度变量的下界；
为了更加直观，将Xj直接表示[]0在中可得：
进一步的，所述单细胞膜优化方法中的表层膜的选择规则具体描述：
表层膜的选择规则
膜计算以偏序关系形式给出系统的规则优先次序，使系统实现了通用；SCA中，为了节省计算资源，在每次迭代的过程中，对多个子膜中的多重解集，只有最可能接近最优解的可行解向量被选择并成为细胞主要遗传物质；
其中：fitj表示[]j膜内的适应度；表示当前迭代内最优细胞器膜为[]i；fitbest表示当前算法内最优适应度。
进一步的，所述单细胞膜优化方法中的计算规则细胞内催化规则包括：
①细胞中的能量规则
将细胞消耗能力这一生命活动形式化表示过程中与类ATP构象子概念相互结合，在膜计算理论中将其抽象表示为信息能量对[膜计算导论]，用一个数值表示，以此来代表构象子的能量，细胞内化合物产生规则与构象子的能量直接相关；
化合物单独进化规则：
[Q]0→[α]0
其中：α表示单独进化化合物，且Q表示类ATP构象子，在SCA中，Q可由使用者自行定义数值，以应对不同种类优化问题；s表示当前步长；S表示设定的最大步长；
②酶促反应规则
HSP代表单细胞系统内所包含的热休克蛋白(Heat shockprotein)作用；细胞分泌蛋白质的过程中，在HSP的作用下，有些基因正常条件下表达，有些则在温度升高或其它胁迫条件下大量表达，以保护细胞，减少异常环境损伤；α作为单独进化化合物对HSP蛋白形成影响，随迭代次数增加逐渐增大，HSP则由开始的值逐渐减小；SCA算法利用这一细胞生理特性，将细胞器膜寻优结果逐渐随迭代次数收敛于最优解附近，以获得更为精确的局部寻优；
提出利用细胞热应激行为下HSP保护能力变化特征的促进剂产生规则：
[α []1 []2…[]j…[]J-1]0→[[HSP]1[HSP]2…[HSP]j…[HSP]J-1]0
其中：α为表层膜内单独进化化合物；HSP代表SCA内细胞所包含的热休克蛋白作用，且
进一步的，所述单细胞膜优化方法中的通信取代进化中的控制规则具体描述：
通信取代进化中的控制规则
SCA通过改变系统对象所处的膜的位置，而不改变对象本身，这种规则与细胞内已知蛋白质产生过程中核糖体转录所产生的基础多肽链细胞内转运生化过程对应；
其中：表示是SCA细胞中第i个子膜内的解集为当前迭代步长中最优解；Xj是SCA细胞中第j个子膜内的可行解向量；#表示空集；
SCA的细胞器膜通过替换原有对象形成新的基础解向量，这种通信的情况下，系统具有通用性，并且使得各个细胞器膜的原先独立单元计算模式变为多个细胞器膜的合作计算模式。
进一步的，所述单细胞膜优化方法中的细胞器膜内反应规则具体包括：
细胞器膜内反应规则
细胞器膜内反应规则采用突变模式和交叉模式，这两种模式灵感源于细胞通过DNA转录编译蛋白质的生命活动；突变模式源于细胞变异蛋白质的错义突变，在SCA中具体表现为对于解集的某一位产生突变，而交叉模式则源于SCA的表层膜所包含的选择规则和通信取代进化规则，确定当前最优解后，视最优解为DNA，对其进行转录编译；
①突变规则
其中：X′j表示更新后SCA细胞中第j个子膜内的可行解向量，x′k j表示更新后X′j中第j维变量；
其中：表示该细胞中，最优解的第k个变量；
②交叉规则
其中：进一步的，所述单细胞膜优化方法中的计算规则包括：
膜间提取规则
当j＝J时，[XJ]J膜自身不会突变，但会对其他子膜内突变的变量进行收集，从而形成一个全部由突变变量构成的解集；在SCA的当前最优解并不理想时，单一的位置突变不能帮助SCA很快跳出不利环境，大量突变可以迅速离开当前解集的变化范围，为SCA在更多区域内寻找新解；
其中：
进一步的，所述单细胞膜优化方法中的配对规则具体描述：
配对规则
当上述更新规则超出参数范围时，将边界赋值给此时，更新规则如下：
其中：代表第j个子膜中解的第k维变量；x′k j表示施加过配对规则后的对象，且ubk代表第k维度变量的上界；lbk代表第k维度变量的下界。
本发明的有益效果：将细胞内各种细胞器的功能抽象为细胞器膜结构，使各类细胞器膜具有不同功能，以达到对细胞功能的模仿，通过不同膜对寻优结果进行不同的加工，由每个细胞个体对结果进行取舍，实现优化计算。这种设计的优点是显著增加了SCA解的突变量，使SCA在当前最优解并不理想时可以迅速跳出当前区域，重新寻找新的搜索区域。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本申请的SCA流程图；
图2为本申请的细胞合成蛋白质简图；
图3为本申请的SCA细胞模型及膜内规则简图。
具体实施方式
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1～3所示,一种基于膜计算的单细胞膜最优解计算优化方法，包括单细胞膜优化方法，具体步骤包括：
步骤一：算法初始化参数，当前步长s＝1，设定类ATP构象子Q的参数，设置算法运行最大步长S，SCA表层膜内根据待求解问题维度dim，执行细胞器膜的创建规则，生成J个细胞器膜(J＝dim+1)，根据可行解的生成规则，子模生成初始可行解集Xj；
步骤二：计算各个子膜内的适应度fitj，并求出当前步长全局最优适应度fitbest，确定当前步长全局最优解集判断是否s＝S，是，执行步骤六；否，执行步骤三；
步骤三：根据细胞中的能量规则更新a，根据酶促反应规则更新HSP的值，根据通信取代进化中的控制规则将当前步长最优解更新至每个子膜中(液泡膜除外)；
步骤四：根据子膜(液泡膜除外)内反应规则中的突变规则对解集[Xj]j中进行更新，根据交叉规则对/>进行更新；
步骤五：根据膜间提取规则，对液泡膜[XJ]J进行更新，更新当前步长s＝s+1，并返回步骤二；
步骤六：输出fitbest及至表层膜中。
进一步的，所述单细胞膜优化方法中的细胞内细胞器膜的创建规则具体描述：
细胞内细胞器膜的创建规则
SCA抽象出的胞内区室化特征决定其计算能力，而细胞器膜作为可行解集的主要重写系统，需要根据求解问题的维度(dim)，生成不同数量的细胞器膜，不同细胞器膜都有自己的规则集；
[]0→[[]1 []2…[]j…[]J]0
其中：[]0表示表层膜；J表示单个细胞内细胞器膜的数量，也是该单细胞膜系统所包含的候选解的组数，且J＝dim+1；[]j表示第j个子膜，且膜内的初始数据集为空；
在求解优化问题的初始阶段，SCA表层膜内会生成J个子膜，且J＝dim+1，由于不同细胞器膜具有不同功能，足够数量的细胞器膜可以保证每一次迭代过程中，SCA可以全面分析解集内的数据集中每个参数对求解问题的影响。
进一步的，所述单细胞膜优化方法中的计算规则可行解的创建规则具体描述：
可行解的创建规则
当细胞器膜生成后，SCA会生成初始可行解集，初始可行解集是在定义域内随机生成；
[]j→[Xj]j
其中：Xj是一组向量，表示SCA中第j个子膜内的解； 代表当前Xj解的第k维；/>rand表示随机生成0-1间的随机数，ubk代表第k维度变量的上界，lbk代表第k维度变量的下界；
为了更加直观，将Xj直接表示[]0在中可得：
进一步的，所述单细胞膜优化方法中的表层膜的选择规则具体描述：
表层膜的选择规则
膜计算以偏序关系形式给出系统的规则优先次序，使系统实现了通用；SCA中，为了节省计算资源，在每次迭代的过程中，对多个子膜中的多重解集，只有最可能接近最优解的可行解向量被选择并成为细胞主要遗传物质；
其中：fitj表示[]j膜内的适应度；表示当前迭代内最优细胞器膜为[]i；fitbest表示当前算法内最优适应度。
进一步的，所述单细胞膜优化方法中的计算规则细胞内催化规则包括：
①细胞中的能量规则
将细胞消耗能力这一生命活动形式化表示过程中与类ATP构象子概念相互结合，在膜计算理论中将其抽象表示为信息能量对[膜计算导论]，用一个数值表示，以此来代表构象子的能量，细胞内化合物产生规则与构象子的能量直接相关；
化合物单独进化规则：
[Q]0→[α]0
其中：α表示单独进化化合物，且Q表示类ATP构象子，在SCA中，Q可由使用者自行定义数值，以应对不同种类优化问题；s表示当前步长；S表示设定的最大步长；
②酶促反应规则
HSP代表单细胞系统内所包含的热休克蛋白(Heat shockprotein)作用；细胞分泌蛋白质的过程中，在HSP的作用下，有些基因正常条件下表达，有些则在温度升高或其它胁迫条件下大量表达，以保护细胞，减少异常环境损伤；α作为单独进化化合物对HSP蛋白形成影响，随迭代次数增加逐渐增大，HSP则由开始的值逐渐减小；SCA算法利用这一细胞生理特性，将细胞器膜寻优结果逐渐随迭代次数收敛于最优解附近，以获得更为精确的局部寻优；
提出利用细胞热应激行为下HSP保护能力变化特征的促进剂产生规则：
[α []1 []2…[]j…[]J-1]0→[[HSP]1[HSP]2…[HSP]j…[HSP]J-1]0
其中：α为表层膜内单独进化化合物；HSP代表SCA内细胞所包含的热休克蛋白作用，且
进一步的，所述单细胞膜优化方法中的通信取代进化中的控制规则具体描述：
通信取代进化中的控制规则
SCA通过改变系统对象所处的膜的位置，而不改变对象本身，这种规则与细胞内已知蛋白质产生过程中核糖体转录所产生的基础多肽链细胞内转运生化过程对应；
其中：表示是SCA细胞中第i个子膜内的解集为当前迭代步长中最优解；Xj是SCA细胞中第j个子膜内的可行解向量；#表示空集；
SCA的细胞器膜通过替换原有对象形成新的基础解向量，这种通信的情况下，系统具有通用性，并且使得各个细胞器膜的原先独立单元计算模式变为多个细胞器膜的合作计算模式。
进一步的，所述单细胞膜优化方法中的细胞器膜内反应规则具体包括：
细胞器膜内反应规则
细胞器膜内反应规则采用突变模式和交叉模式，这两种模式灵感源于细胞通过DNA转录编译蛋白质的生命活动；突变模式源于细胞变异蛋白质的错义突变，在SCA中具体表现为对于解集的某一位产生突变，而交叉模式则源于SCA的表层膜所包含的选择规则和通信取代进化规则，确定当前最优解后，视最优解为DNA，对其进行转录编译；
①突变规则
其中：X′j表示更新后SCA细胞中第j个子膜内的可行解向量，x′k j表示更新后X′j中第j维变量；
其中：表示该细胞中，最优解的第k个变量；
②交叉规则
其中：进一步的，所述单细胞膜优化方法中的计算规则包括：
膜间提取规则
当j＝J时，[XJ]J膜自身不会突变，但会对其他子膜内突变的变量进行收集，从而形成一个全部由突变变量构成的解集；在SCA的当前最优解并不理想时，单一的位置突变不能帮助SCA很快跳出不利环境，大量突变可以迅速离开当前解集的变化范围，为SCA在更多区域内寻找新解；
其中：
进一步的，所述单细胞膜优化方法中的配对规则具体描述：
配对规则
当上述更新规则超出参数范围时，将边界赋值给此时，更新规则如下：
其中：代表第j个子膜中解的第k维变量；x′k j表示施加过配对规则后的对象，且ubk代表第k维度变量的上界；lbk代表第k维度变量的下界。
在一个具体的实施例中，如图2所示，我们用几个主要概念作为SCA算法的灵感来源，在细胞生物模型中，细胞的细胞器分别具备不同的功能：
1.细胞膜：将细胞分隔成许多小区室，使各种化学反应能同时进行而不互相干扰。使细胞具有一个相对稳定的内部环境。在物质的运输与交换及信息传递中起决定性作用。
2.细胞核：细胞核是细胞的控制中心，在细胞的代谢、生长、分化中起着重要作用，是遗传物质的主要存在部位，其主要功能是参与RNA的合成。
3.细胞器：主要由以下器官组成
(1)内质网：内质网是细胞质的膜系统，是细胞内除核酸以外一系列重要的生物大分子的合成基地。
(2)核糖体：将氨基酸合成蛋白质是由RNA和核糖核蛋白构成的微小颗粒，是细胞合成蛋白质的场所。
(3)高尔基体：是真核细胞中内膜系统的组成之一。对来自内质网的蛋白质再加工，分类和包装。由一系列扁平小囊和小泡所组成。
(4)液泡：主要存在于植物细胞中，主要具有摄取营养和排泄废物的功能。
这些细胞器独立存在具备不同功能又相互联系，共同构成细胞的生命活动。我们将细胞内各种细胞器的功能抽象为细胞器膜结构，使各类细胞器膜具有不同功能，以达到对细胞功能的模仿，通过不同膜对寻优结果进行不同的加工，由每个细胞个体对结果进行取舍，实现优化计算。
在一个具体的实施例中，如图3所示，我们可以发现SCA算法的细胞模型与前述细胞整体模型图相似，存在细胞核膜、多个细胞器膜和液泡膜，同时细胞的表层膜将所有细胞器膜包裹在内。细胞核膜内主要存储算法当前步长的最优解，且细胞内只存在一个核膜，核膜的产生是将当前步长的表层膜内包含最优解的细胞器膜作为核膜存在。核膜并不固定，如果在下一步长时其他细胞器膜内产生了当前步长的最优解，则该细胞器膜被标注为核膜，上一步长的核膜会退化为普通的细胞器膜。
图3中可见各个膜内包含各自规则，其中包含突变规则和交叉规则。液泡膜在图中单独标出，其本质上也是细胞器膜，正如液泡在细胞中主要作为存储器官存在一样，液泡膜起到收集其他细胞器膜发生突变的参数组成新解，这种设计的优点是显著增加了SCA解的突变量，使SCA在当前最优解并不理想时可以迅速跳出当前区域，重新寻找新的搜索区域
在本发明的描述中，需要理解的是，术语“开孔”、“上”、“下”、“厚度”、“顶”、“中”、“长度”、“内”、“四周”等指示方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的组件或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (9)
1.一种基于膜计算的单细胞膜最优解计算优化方法，其特征在于，包括单细胞膜优化方法，在单细胞膜优化方法中，每个子膜包含的通信取代进化的控制规则使用，细胞内细胞器膜的创建规则和可行解的创建规则，以及表层膜中采用的选择规则、催化规则、膜间提取规则、配对规则和细胞器膜内反应规则；所述单细胞膜优化方法具体步骤包括：
步骤一：初始化参数，当前步长s＝1，设定类ATP构象子Q的参数，设置方法运行最大步长S，SCA表层膜内根据待求解问题维度dim，执行细胞器膜的创建规则，生成J个细胞器膜，根据可行解的生成规则，子模生成初始可行解集Xj；其中SCA指单细胞膜优化方法、J＝dim+1；
步骤二：计算各个子膜内的适应度fitj，并求出当前步长全局最优适应度fitbest，确定当前步长全局最优解集判断是否s＝S，是，执行步骤六；否，执行步骤三；
步骤三：根据细胞中的能量规则更新α，根据酶促反应规则更新HSP的值，根据通信取代进化中的控制规则将当前步长最优解更新至每个子膜中；其中：α表示单独进化化合物，且HSP代表SCA内细胞所包含的热休克蛋白作用，且/>
步骤四：根据子膜内反应规则中的突变规则对解集[Xj]j中进行更新，根据交叉规则对/>进行更新；其中：/>代表当前Xj解的第k维；
步骤五：根据膜间提取规则，对液泡膜[XJ]J进行更新，更新当前步长s＝s+1，并返回步骤二；
步骤六：输出fitbest及至表层膜中。
2.根据权利要求1所述的一种基于膜计算的单细胞膜最优解计算优化方法，其特征在于，所述单细胞膜优化方法中的细胞内细胞器膜的创建规则具体描述：
细胞内细胞器膜的创建规则
SCA抽象出的胞内区室化特征决定其计算能力，而细胞器膜作为可行解集的主要重写系统，需要根据求解问题的维度，生成不同数量的细胞器膜，不同细胞器膜都有自己的规则集；
[]0→[[]1 []2…[]j…[]J]0
其中：[]0表示表层膜；J表示单个细胞内细胞器膜的数量，也是该单细胞膜系统所包含的候选解的组数，且J＝dim+1；[]j表示第j个子膜，且膜内的初始数据集为空；
在求解优化问题的初始阶段，SCA表层膜内会生成J个子膜，且J＝dim+1，由于不同细胞器膜具有不同功能，足够数量的细胞器膜可以保证每一次迭代过程中，SCA可以全面分析解集内的数据集中每个参数对求解问题的影响。
3.根据权利要求1所述的一种基于膜计算的单细胞膜最优解计算优化方法，其特征在于，所述单细胞膜优化方法中的可行解的创建规则具体描述：
可行解的创建规则
当细胞器膜生成后，SCA会生成初始可行解集，初始可行解集是在定义域内随机生成；
[]j→[Xj]j
其中：Xj是一组向量，表示SCA中第j个子膜内的解； 代表当前Xj解的第k维；/>rand表示随机生成0-1间的随机数，ubk代表第k维度变量的上界，lbk代表第k维度变量的下界；
为了更加直观，将Xj直接表示[]0在中可得：
4.根据权利要求1所述的一种基于膜计算的单细胞膜最优解计算优化方法，其特征在于，所述单细胞膜优化方法中的表层膜的选择规则具体描述：
表层膜的选择规则
膜计算以偏序关系形式给出系统的规则优先次序，使系统实现了通用；SCA中，为了节省计算资源，在每次迭代的过程中，对多个子膜中的多重解集，只有最可能接近最优解的可行解向量被选择并成为细胞主要遗传物质；
其中：fitj表示[]j膜内的适应度；表示当前迭代内最优细胞器膜为[]i；fitbest表示当前算法内最优适应度。
5.根据权利要求1所述的一种基于膜计算的单细胞膜最优解计算优化方法，其特征在于，所述单细胞膜优化方法中的细胞内催化规则具体描述：
①细胞中的能量规则
将细胞消耗能力这一生命活动形式化表示过程中与类ATP构象子概念相互结合，在膜计算理论中将其抽象表示为信息能量对[膜计算导论]，用一个数值表示，以此来代表构象子的能量，细胞内化合物产生规则与构象子的能量直接相关；
化合物单独进化规则：
[Q]0→[α]0
其中：α表示单独进化化合物，且Q表示类ATP构象子，在SCA中，Q可由使用者自行定义数值，以应对不同种类优化问题；s表示当前步长；S表示设定的最大步长；
②酶促反应规则
HSP代表单细胞系统内所包含的热休克蛋白作用；细胞分泌蛋白质的过程中，在HSP的作用下，有些基因正常条件下表达，有些则在温度升高或其它胁迫条件下大量表达，以保护细胞，减少异常环境损伤；α作为单独进化化合物对HSP蛋白形成影响，随迭代次数增加逐渐增大，HSP则由开始的值逐渐减小；SCA算法利用这一细胞生理特性，将细胞器膜寻优结果逐渐随迭代次数收敛于最优解附近，以获得更为精确的局部寻优；
提出利用细胞热应激行为下HSP保护能力变化特征的促进剂产生规则：
[α []1 []2…[]j…[]J-1]0→[[HSP]1[HSP]2…[HSP]j…[HSP]J-1]0
其中：α为表层膜内单独进化化合物；HSP代表SCA内细胞所包含的热休克蛋白作用，且
6.根据权利要求1所述的一种基于膜计算的单细胞膜最优解计算优化方法，其特征在于，所述单细胞膜优化方法中通信取代进化中的控制规则具体描述：
通信取代进化中的控制规则
SCA通过改变系统对象所处的膜的位置，而不改变对象本身，这种规则与细胞内已知蛋白质产生过程中核糖体转录所产生的基础多肽链细胞内转运生化过程对应；
其中：表示是SCA细胞中第i个子膜内的解集为当前迭代步长中最优解；Xj是SCA细胞中第j个子膜内的可行解向量；#表示空集；
SCA的细胞器膜通过替换原有对象形成新的基础解向量，这种通信的情况下，系统具有通用性，并且使得各个细胞器膜的原先独立单元计算模式变为多个细胞器膜的合作计算模式。
7.根据权利要求1所述的一种基于膜计算的单细胞膜最优解计算优化方法，其特征在于，所述单细胞膜优化方法中的细胞器膜内反应规则具体描述：
细胞器膜内反应规则
细胞器膜内反应规则采用突变模式和交叉模式，这两种模式灵感源于细胞通过DNA转录编译蛋白质的生命活动；突变模式源于细胞变异蛋白质的错义突变，在SCA中具体表现为对于解集的某一位产生突变，而交叉模式则源于SCA的表层膜所包含的选择规则和通信取代进化规则，确定当前最优解后，视最优解为DNA，对其进行转录编译；
①突变规则
其中：X′j表示更新后SCA细胞中第j个子膜内的可行解向量， 表示更新后X′j中第j维变量；
其中：表示该细胞中，最优解的第k个变量；
②交叉规则
其中：
8.根据权利要求1所述的一种基于膜计算的单细胞膜最优解计算优化方法，其特征在于，所述单细胞膜优化方法中的膜间提取规则具体描述：
膜间提取规则
当j＝J时，[XJ]J膜自身不会突变，但会对其他子膜内突变的变量进行收集，从而形成一个全部由突变变量构成的解集；在SCA的当前最优解并不理想时，单一的位置突变不能帮助SCA很快跳出不利环境，大量突变可以迅速离开当前解集的变化范围，为SCA在更多区域内寻找新解；
其中：。
9.根据权利要求1所述的一种基于膜计算的单细胞膜最优解计算优化方法，其特征在于，所述单细胞膜优化方法中的配对规则具体描述：
配对规则
当上述更新规则超出参数范围时，将边界赋值给此时，更新规则如下：
其中：代表第j个子膜中解的第k维变量；/>表示施加过配对规则后的对象，且ubk代表第k维度变量的上界；lbk代表第k维度变量的下界。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210590303.8A CN114912610B (zh) | 2022-05-26 | 2022-05-26 | 一种基于膜计算的单细胞膜最优解计算优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210590303.8A CN114912610B (zh) | 2022-05-26 | 2022-05-26 | 一种基于膜计算的单细胞膜最优解计算优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114912610A CN114912610A (zh) | 2022-08-16 |
| CN114912610B true CN114912610B (zh) | 2024-04-09 |
Family
ID=82768902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210590303.8A Active CN114912610B (zh) | 2022-05-26 | 2022-05-26 | 一种基于膜计算的单细胞膜最优解计算优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114912610B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014015196A2 (en) * | 2012-07-18 | 2014-01-23 | The Board Of Trustees Of The Leland Stanford Junior University | Techniques for predicting phenotype from genotype based on a whole cell computational model |
| CN108710779A (zh) * | 2018-06-08 | 2018-10-26 | 南京工业大学 | 一种膜内微电荷互力p系统fcc反应再生过程最优建模方法 |
| CN110598804A (zh) * | 2019-10-14 | 2019-12-20 | 安徽理工大学 | 一种基于聚类和膜计算的改进FastSLAM算法 |
| CN110632932A (zh) * | 2019-10-14 | 2019-12-31 | 安徽理工大学 | 基于膜计算和粒子群优化的局部路径规划算法 |
| CN114089699A (zh) * | 2021-10-29 | 2022-02-25 | 成都博智云创科技有限公司 | 一种基于细胞型膜计算模型求解混合流水车间调度的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070094166A1 (en) * | 2002-08-05 | 2007-04-26 | Edwin Addison | Knowledge-based methods for genetic network analysis and the whole cell computer system based thereon |
-
2022
- 2022-05-26 CN CN202210590303.8A patent/CN114912610B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014015196A2 (en) * | 2012-07-18 | 2014-01-23 | The Board Of Trustees Of The Leland Stanford Junior University | Techniques for predicting phenotype from genotype based on a whole cell computational model |
| CN108710779A (zh) * | 2018-06-08 | 2018-10-26 | 南京工业大学 | 一种膜内微电荷互力p系统fcc反应再生过程最优建模方法 |
| CN110598804A (zh) * | 2019-10-14 | 2019-12-20 | 安徽理工大学 | 一种基于聚类和膜计算的改进FastSLAM算法 |
| CN110632932A (zh) * | 2019-10-14 | 2019-12-31 | 安徽理工大学 | 基于膜计算和粒子群优化的局部路径规划算法 |
| CN114089699A (zh) * | 2021-10-29 | 2022-02-25 | 成都博智云创科技有限公司 | 一种基于细胞型膜计算模型求解混合流水车间调度的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 一种基于膜系统的全局智能优化算法;刘闯;韩敏;邢军;;电子学报;20130515(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114912610A (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Thompson et al. | Comparative analysis of gene regulatory networks: from network reconstruction to evolution | |
| Keedwell et al. | Intelligent bioinformatics: The application of artificial intelligence techniques to bioinformatics problems | |
| Horan et al. | Annotating genes of known and unknown function by large-scale coexpression analysis | |
| Ma et al. | A comprehensive survey on NSGA-II for multi-objective optimization and applications | |
| Pe'er et al. | Minreg: inferring an active regulator set | |
| Sun et al. | Large scale flexible scheduling optimization by a distributed evolutionary algorithm | |
| CN114386694A (zh) | 基于对比学习的药物分子性质预测方法、装置及设备 | |
| Vocaturo et al. | On the use of Networks in Biomedicine | |
| Aluru et al. | Reverse engineering and analysis of large genome-scale gene networks | |
| CN109727637B (zh) | 基于混合蛙跳算法识别关键蛋白质的方法 | |
| Chen et al. | Fireworks explosion based artificial bee colony for numerical optimization | |
| Isidro y Sánchez et al. | Training set optimization for sparse phenotyping in genomic selection: A conceptual overview | |
| CN108229643B (zh) | 一种采用果蝇优化算法识别关键蛋白质的方法 | |
| CN114912610B (zh) | 一种基于膜计算的单细胞膜最优解计算优化方法 | |
| Jena et al. | Soft computing methodologies in bioinformatics | |
| Barkat Ullah et al. | AMA: a new approach for solving constrained real-valued optimization problems | |
| Ru et al. | Identification of phage viral proteins with hybrid sequence features | |
| Sun et al. | Overview of parallel computing for meta-heuristic algorithms | |
| Campodonico et al. | Computational methods to assess the production potential of bio-based chemicals | |
| Song et al. | Multi-membrane search algorithm | |
| Shirazi et al. | Hierarchical self-organized learning in agent-based modeling of the MAPK signaling pathway | |
| Chen et al. | Nrwrh for drug target prediction | |
| Shehab et al. | Cuckoo Search Algorithm | |
| Mesquita et al. | In silico metabolic flux data flexibilization for advanced bioreactor control applications | |
| Sasmal et al. | A Comprehensive Survey on African Vulture Optimization Algorithm |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |