清华大学数学建模竞赛.pdfVIP

2015 年清华大学“华罗庚杯”数学建模竞赛 承 诺 书 我们仔细阅读了清华大学数学建模竞赛的竞赛规则. 我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网 上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。 我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的 资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参 考文献中明确列出。 我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规 则的行为，我们将受到严肃处理。 我们参赛的题目是： 参赛队员 (打印并签名) ：1. 2. 3. 日期： 年 月 日 1 DNA 序列的k-mer index 问题探究 摘要 本题要求我们探讨基因编码的检索以及分析算法的相关性能。首先将问题简化为索 引。利用哈西算法，用一系列十进制正整数为原串的所有子串做索引。我们将检索占用 的时间、空间大大降低。最终用C++写出的检索程序能够在短时间内高效完成相关检索， 实现题目要求。 关键字 碱基，基因测序，索引，Hash 函数 2 正文部分： 一、 问题提出 生物工程中需要对生物遗传规律进行研究，其中焦点集中在遗传物质DNA。DNA 长链 中含有特征碱基A、T、C、G，它的单链可看成一条包含着大量上述碱基的长串，研究过 程中需要对长串进行各种操作，k-mer index 问题即来源于对长串中是否含有某个给定 的子串的检索问题。问题要求给出并实现一种算法，使其能在大量的碱基序列（仅包含 ATCG 四个大写字母的字符串）中建立长度为k 的子串的索引，使得只要给定特定的长度 为k 的子串（子串仅包含ATCG 四个大写字母）就能根据索引检索到该子串在原串中所 有出现的位置并输出。原DNA 序列由文件形式给出,包含100 万个DNA 序列，序列编号 为1-1000000，每个基因序列长度为100 ；子串的位置由其所在行号与其首元素在该行 的位置编号确定；每次建立的索引只需支持一个k 值；按照索引查询速度,索引内存使 用,8G 内存下，所能支持的k 值范围,建立索引时间的降序顺序评价该算法的优劣。 二、 算法思想 设数据字符串长度为L，个数为n,待查询字符串长度为k 由于需要建立索引，不能采用简单遍历原串并逐个比对的方式来进行,事实上这种算 法的时间复杂度达到了O (nkL)鉴于数据量过于庞大，这样的执行效率是不能接受的。 所谓索引，是一个能代表整个数据块内容的符号。理想的索引应能做到与数据块唯 一对应，并且在逻辑上连续，这样当我们对大量数据进行查找无序子块的操作时把对数 据的直接遍历转化成了对有序的且容易遍历的索引的遍历，并且查找的结果不重复、不 遗漏、不需要对同索引下的不同数据块进行再次查找（因为每个索引下仅包含着唯一的 数据块）；索引的逻辑连续性为遍历查找提供了便捷，也最大限度的节省的索引的空间 占用。 十进制正整数是一个很好的索引类型，对它的各种算术操作和遍历都十分简单，且 有着为人们熟知的间隔为1 的连续性。于是我们设法用一系列十进制正整数为原串的所 有子串做索引。为此，首先要解决的问题是如何将一个字符串与一个整数联系起来。显 然，找到一个函数，使得自变量为字符串，输出值为一个正整数是简单可行的办法，这 就是所谓的Hash 函数，它将一系类特异的字符串转化为不同的正整数。在本问题的字 符串中，字符串内的字符仅有四个，我们可以简单地用0,1,2,3 （我们把四个数字称为 每一个位的index）来区别它们；而字符串又是按