摘要 | 第1-4页 |
Abstract | 第4-9页 |
第一章 绪论 | 第9-18页 |
·进化算法 | 第9-15页 |
·遗传算法 | 第9页 |
·遗传规划 | 第9-11页 |
·进化策略 | 第11页 |
·进化规划 | 第11-12页 |
·粒子群优化算法 | 第12-13页 |
·量子粒子群优化算法 | 第13-15页 |
·生物信息学 | 第15-17页 |
·生物信息学的起源 | 第15页 |
·生物信息学的概念 | 第15页 |
·生物信息学的主要研究内容 | 第15-17页 |
·本论文的主要内容 | 第17-18页 |
第二章 粒子群优化算法和量子粒子群优化算法 | 第18-25页 |
·粒子群算法 | 第18-21页 |
·基本粒子群算法 | 第18-19页 |
·带惯性权重w的粒子群算法 | 第19-20页 |
·带收缩因子χ的粒子群算法 | 第20-21页 |
·量子粒子群优化算法 | 第21-25页 |
·δ势阱模型的建立 | 第21-23页 |
·粒子的基本进化方程 | 第23页 |
·QPSO算法的流程 | 第23-25页 |
第三章 基于选择操作的QPSO算法 | 第25-55页 |
·引言 | 第25-26页 |
·采用锦标赛选择操作的QPSO算法(QPSO-TS) | 第26-27页 |
·采用轮盘赌选择操作的QPSO算法(QPSO-RS) | 第27-28页 |
·算法的收敛性分析 | 第28-30页 |
·全局收敛性准则 | 第28页 |
·基于选择操作的QPSO算法的全局收敛性 | 第28-30页 |
·实验结果及分析 | 第30-54页 |
·实验设计 | 第30-33页 |
·实验结果 | 第33-54页 |
·本章小结 | 第54-55页 |
第四章 进化算法在多序列比对中的应用 | 第55-98页 |
·多序列比对的含义 | 第55-56页 |
·基于二进制QPSO算法的序列比对 | 第56-71页 |
·二进制的PSO算法(BPSO) | 第56页 |
·二进制的QPSO算法(BQPSO) | 第56-59页 |
·基于MBPSO或MBQPSO的多序列比对 | 第59-62页 |
·仿真实验和结果 | 第62-70页 |
·结论 | 第70-71页 |
·基于隐马尔可夫模型和多样性QPSO算法的多序列比对 | 第71-98页 |
·前言 | 第71页 |
·隐马尔可夫模型 | 第71-74页 |
·基于剖面HMM和QPSO的多序列比对 | 第74-77页 |
·融合多样性的QPSO算法 | 第77-80页 |
·评估训练算法的质量 | 第80页 |
·模型的联配问题 | 第80-82页 |
·评估比对序列的质量 | 第82-83页 |
·实验结果 | 第83-96页 |
·结论 | 第96-98页 |
第五章 基于进化算法的代谢流的评估 | 第98-116页 |
·代谢流评估 | 第98-104页 |
·化学计量矩阵方法 | 第99-100页 |
·基于~(13)C标记平衡的MFA | 第100-104页 |
·基于自适应进化算法和单值分解的方法的代谢通量分析 | 第104-107页 |
·自适应进化算法 | 第104-105页 |
·系统化学计量矩阵约束的单值分解 | 第105-107页 |
·进化算法中不等式约束的处理 | 第107页 |
·基于QPSO及其改进的QPSO算法和罚函数的代谢通量分析 | 第107-109页 |
·罚函数的方法 | 第107-108页 |
·基于QPSO及其改进的QPSO和罚函数的代谢流评估流程 | 第108-109页 |
·仿真实验及其结果 | 第109-114页 |
·本章小结 | 第114-116页 |
第六章 基于GP和QPSO算法的兽疫链球菌发酵透明质酸培养基的优化 | 第116-123页 |
·引言 | 第116页 |
·原料和方法 | 第116-117页 |
·微生物和媒介 | 第116-117页 |
·在一个7-1发酵罐中的兽疫链球菌的一组培养基 | 第117页 |
·响应面分析法(RSM) | 第117页 |
·仿真试验和结果 | 第117-122页 |
·RSM的结果 | 第118页 |
·GP的结果 | 第118-119页 |
·使用QPSO算法优化GP评估方程式的参数的结果 | 第119-121页 |
·使用QPSO算法优化透明质酸产量的培养基的结果 | 第121-122页 |
·结论 | 第122-123页 |
第七章 总结与展望 | 第123-125页 |
致谢 | 第125-126页 |
参考文献 | 第126-136页 |
附录:攻读博士学位期间发表的论文和参加的科研项目 | 第136页 |