dna杂交测序最大最小蚂蚁算法的改进.docx

dna杂交测序最大最小蚂蚁算法的改进 0 基于生物实验方法的dna杂交检测 dna搜索序列是生物信息中一个重要而基本的问题。这也是了解遗传结构和功能的重要基础。20世纪80年代，banson等人提出的联合测序方法是解决dna搜索序列的重新方法。它的效率得到了许多科学家的认可和普及。 杂交测序分为两个阶段:第一阶段,通过生物实验中的探针来探测未知目标序列的各个子片段,并称各探针所组成的集合为“光谱”.第二阶段,拼接第一阶段所得各探针用以重构未知目标序列.对于理想光谱可以转化为欧拉路径问题,在多项式时间复杂度内得到精确解.但是,由于实验条件等各种客观条件的限制,导致在实验中几乎不存在理想“光谱”.实验产生了各种类型的错误,这些错误的存在,使得该问题成为了NP-hard问题. 目前,提高DNA杂交测序的求解精度的方法有:通过改进生物实验方法,以减小实验过程中产生的错误;设计有效的重构算法,使其对有各种错误的光谱依然可以得到高精度的解.本文根据DNA杂交测序的特点,对基本的最大最小蚂蚁算法进行改进并加入局部搜索技术以提高求解精度. 1 mmas算法 最大最小蚂蚁系统(max-min ant system, MMAS)是由 Stutzle等于2000年在蚂蚁算法的基础上首次提出来的.与蚂蚁算法相比,MMAS算法做的一些改进:在信息素更新过程中,仅允许最优解元素增加信息素;对信息素数量进行限制,将其限定在区间[τmin,τmax]内,将信息素初始化为τmax.这些改进能较好地避免优化算法出现过早停滞现象,增大初始阶段的解空间.且该算法具有分布计算、信息正反馈和启发式搜索的特点,在求解组合优化问题中获得广泛应用.本文对基本最大最小蚁群算法做出以下改进. 1.1 最佳路径的确定 DNA杂交测序问题可以转化为有约束的非对称旅行商问题,其解是一条通路,这就意味着所有蚂蚁将固定从一部分候选起点出发开始构造路径.但是由于蚁群算法自身的特点,当算法中所有蚂蚁均从同一个起点出发来构造路径时,将无法发挥算法的最佳效果,对最优解的寻找不利,故加入一些处理技巧.在算法进行过程中,仍然构造一条回路,而在算法的每轮迭代结束之时,将回路展开成通路,确定起点和终点,这样就可以避免蚂蚁从固定起点出发对算法性能的影响. 普通旅行商问题是求解最短哈密尔顿回路问题.而SBH则希望所得路径的相邻碱基片段之间的重合度越大越好(依然是哈密尔顿回路问题),故其目标为所得路径边权值之和最大化. 将上述过程抽象为函数ProbelmProcessing(). 1.2 节点信息素浓度q 由于DNA杂交测序问题的规模较大,MMAS的状态转移规则对于大规模的问题将出现收敛较慢的现象.所以采用蚁群系统(ant colony system, ACS)的伪随机策略来改进MMAS的状态转移,处于第i个节点的蚂蚁k按式(1)(2)选择下一个节点 j=?????argmaxu∈Nki{[τiu(t)]α?[ηiu(t)]β},q≤q0,S,(1)j={argmaxu∈Νik{[τiu(t)]α?[ηiu(t)]β},q≤q0,S,(1) Pkij(t)=???????[τij(t)]α[ηij(t)]β∑s∈Nki[τis(t)]α[ηis(t)]β,j∈Nki,0.(2)Ρijk(t)={[τij(t)]α[ηij(t)]β∑s∈Νik[τis(t)]α[ηis(t)]β,j∈Νik,0.(2) 在SBH中,令ηj(t)=dij,dij为以节点i前驱、节点j为后继的重合度;ηij为启发式因子,τij(t)为第t轮迭代中第i个节点到第j个节点间的信息素浓度;α和β分别表示信息素浓度、能见度的相对权重;Nkiik为蚂蚁k从节点i出发,允许到达的下一个节点组成的集合;q0∈ 是初始设置参数,q是一个在之间均匀分布的随机数;S由式(2)决定.由此得到新的状态转移函数StateTransation (). 1.3 自然衰减信息素比例的确定 当所有蚂蚁都完成一次搜索之后,本轮最优解按如下方法进行信息素的更新, τij(t+1)←max{τmin,min{τmax,(1- ρ)τij(t)+Δτij}}, (3) Δτij={(Lib)?1,(i,j)∈Cb0,(4)Δτij={(Lib)-1,(i,j)∈Cb0,(4) 其中,ρ表示挥发因子,即每轮自然衰减的信息素的比例;Δτij为本轮各边信息素的增量;Cb为本轮最优解;Lib为本轮最优解对应的目标值. 在MMAS中,其Δτij的取值为(Lib)-1(式(4)).如果在整个算法过程中一直使用该值,对MMAS算法而言,会因收敛慢而导致信算法解的质量下降.而若使Δτij的取值为(Lgb)-1(Lgb表示目前为止的全局最优解),又会导致信息素快速集中于某些边