算法分析与设计.docVIP

算法设计与分析报告

题目名称：蚁群算法及其在序列比对中的应用研究综述

院系：***************************

班级：***************

姓名：******

学号：*****************

指导教师：**********

2023年11月20日

蚁群算法及其在序列比对中的应用

研究综述

摘要

蚁群算法是一种新奇的仿生进化算法。作为一种全局搜索的方法，蚂蚁算法具有正反馈性、并行性、分布性、自组织性等特点，自提出以来，便在求解复杂组合优化问题上显示出了强大的优势。序列比对是生物信息学的基础，通过在比对中获得大量的序列信息，可以推断基因的结构、功能和进化关系。本文一方面具体阐述了蚁群算法的基本原理、各种改善技术及收敛性分析，然后对蚁群算法在双序列比对和多序列比对的应用研究进行了综述和评价，最后指出了下一步的研究方向。

关键词：蚁群算法；序列比对；信息素

1引言

蚁群算法(AntAlgorithm)是一种源于大自然中生物世界的新的仿生类算法，作为通用型随机优化方法，它吸取了昆虫王国中蚂蚁的行为特性，通过其内在的搜索机制，在一系列困难的组合优化问题求解中取得了成效。由于在模拟仿真中使用的是人工蚂蚁概念，因此有时亦被称为蚂蚁系统(AntSystem)。据昆虫学家的观测和研究发现，生物世界中的蚂蚁有能力在没有任何可见提醒下找出从其窝巢至食物源的最短途径，并能随环境的变化而变化，适应性地搜索新的途径，产生新的选择。作为昆虫的蚂蚁在寻找食物源时，能在其走过的途径上释放一种蚂蚁特有的分泌物——信息激素(Pheromone)，使得一定范围内的其他蚂蚁可以察觉到并由此影响它们以后的行为。当一些途径上通过的蚂蚁越来越多时，其留下的信息激素轨迹(Trail)也越来越多，以致信息素强度增大（随时间的推移会逐渐减弱），后来蚂蚁选择该途径的概率也越高，从而更增长了该途径的信息素强度，这种选择过程被称之为蚂蚁的自催化行为。由于其原理是一种正反馈机制，因此，也可将蚁群系统理解成增强型学习系统。

蚁群算法由意大利学者M．Dorigo等人在20世纪90年代初提出来的[1~3]。发展到今天已有十几年的路程，在这一段时间里人们不断的对蚁群算法提出一些改善方法。有Dorigo等人提出的一种称之为Ant—QSystem[4]的蚁群算法，该算法只让每次循环中的最短途径上的信息量作更新，强化了信息的反馈。德国学者Stutzle和Hoos提出了一种最大最小蚂蚁系统(MAX-MINantsystem，MMAS)[5]，MMAS对信息量的上下界作了限定，并且在算法中采用了轨迹平滑机制。直到今天，MMAS仍然是解决TSP、QAP等离散域优化问题的最佳蚁群算法模型之一，很多对蚁群算法的改善策略都渗透着MMAS的思想。此外尚有国内的学者吴庆洪等人提出了一种具有变异特性的蚁群算法[6]，他们在蚁群算法中引入了逆转变异机制。蚁群算法具有较好的鲁棒性，并行分布式计算及易于与其他启发式方法结合等优点，在短期内得到了很大发展，其应用领域也不断得到扩展[7~10]。

目前已有一些学者将蚁群算法应用到序列比对这一领域当中，其中梁栋等人将蚁群算法应用于序列比对，并提出基于自适应调整信息素的改善算法[11]，其结果表白，蚁群算法可以有效地运用于双序列比对问题。陈娟等人[12,13]提出了蚁群优化算法在多序列比对中的应用及渐进算法结合蚁群算法在多序列比较中的应用，并取得了较好的效果。YixinChenl等人[14]提出了基于分割方法的蚁群多序列比对方法。该算法采用蚁群算法将递归地将序列分割成垂直分割成若干子序列。S．R．Jangam等人[15]在遗传算法中嵌入使用了蚁群算法来解决双序列比对问题。Zne-JungLe等人[16]结合了遗传算法和蚁群算法来解决多序列比对问题。为了将这些分散的文献和资料集中起来,本文对蚁群算法及其在序列比对中的应用研究进行了较全面地综述。

2蚁群算法的原理

用于优化领域的人工蚂蚁算法，其基本原理吸取了生物界中蚂蚁群体行为的某些显著特性：

(1)察觉小范围区域内状况并判断出是否有食物或其他同类的信息素轨迹；

(2)释放自己的信息素；

(3)所遗留的信息素数量会随时间而逐步减少。

由于自然界中的蚂蚁基本没有视觉，既不知向何处去寻找和获取食物，也不知发现食物后如何返回自己的巢穴，因此它们仅仅依赖于同类散发在周边环境中的信息素，来决定自己何去何