面向蛋白質折疊結構問題的粒子群優(yōu)化算法的改進研究.pdf

1、蛋白質的生物功能是由其空間折疊結構決定的，因此預測蛋白質的折疊結構是生物信息學領域中極具挑戰(zhàn)性的問題之一。近年來，許多研究者從事蛋白質簡化模型的研究，這些模型基于熱力學假說，即蛋白質的天然構象是自由能最低的構象。蛋白質折疊結構中最為典型的數(shù)學模型之一是Toy模型，基于Toy模型的蛋白質折疊結構預測問題是一個典型的NP問題。 在Toy模型的基礎上，已經(jīng)有各種優(yōu)化算法用于蛋白質折疊結構的預測。但是這些方法仍存在著不足，在蛋白質序列長

2、度較長的情況下，算法容易產(chǎn)生早熟收斂，難以收斂到全局最優(yōu)解，從而影響預測的精度和效率。 針對Toy模型多變量多極值的特點，本文基于粒子群優(yōu)化算法(以下簡稱為PSO算法)對連續(xù)型函數(shù)求解的較大優(yōu)勢，通過修改算法結構，提出了兩種改進的PSO算法，并應用于二維Toy模型進行蛋白質折疊結構預測。提出的改進算法包括多種群粒子群優(yōu)化算法(以下簡稱為MPSO算法)和自適應分工粒子群優(yōu)化算法(以下簡稱為ADPSO算法)。前者主要是將每一代的種群

3、分為精英子種群、開采子種群和勘探子種群三部分分別進化，改善種群的局部開采能力和全局勘探能力來提高算法的性能；而后者主要是引入一個局部環(huán)境因數(shù)從而動態(tài)調(diào)整子種群規(guī)模，能更為有效的利用有限的計算資源進行蛋白質折疊結構的預測。 實現(xiàn)的系統(tǒng)分別采用Fibonacci蛋白質測試序列和真實蛋白質序列做了實驗檢測。實驗結果表明，與其他優(yōu)化算法比較，兩種改進的PSO算法不僅提高了極值解的質量，并且增強收斂效率，體現(xiàn)算法良好的性能。同時，通過改進