蚁群算法在DNA序列分析中的应用

论文摘要

随着后基因组时代的到来,涌现出了海量的生物分子数据。充分利用这些数据,揭示这些数据的内涵,得到对人类有用的生物信息,是科学家们所面临的一个严峻的挑战。虽然生物信息学中已经提出了大量有积极意义的方法,但目前大部分的方法还不能获得最优的模式、最准确的预测。针对于这种情况本文作者综合国内外蚁群算法、数据挖掘技术以及生物信息学的研究现状及发展趋势,将目前比较常用的蚁群算法、数据挖掘技术引入到了DNA数据序列分析中来,探讨利用蚁群算法进行DNA序列的比对,利用蚁群分类、蚁群聚类以及蚁群关联算法对DNA行分析,蚁群算法在处理组合优化问题方面的应用已经取得了较好效果,而数据挖掘技术集中在对数据进行分析、综合和推理工作,这就意味着在DNA序列分析中将蚁群算法和数据挖掘相结合使用的思想和方法是明智和有效的。论文在讨论每一种方法时都利用简单的DNA数据进行了实验,取得了预想的结果。

论文目录

• 内容提要
• 第1章 绪论
• 1.1 引言
• 1.1.1 数据挖掘简介
• 1.1.2 蚁群算法简介
• 1.1.3 生物信息学简介
• 1.2 国内外研究状态及发展趋势
• 1.2.1 国外研究状态
• 1.2.2 国内研究状态
• 1.2.3 发展趋势
• 1.3 论文的研究目的
• 1.4 论文的内容
• 第2章 数据挖掘技术
• 2.1 数据挖掘的功能
• 2.2 数据挖掘的过程
• 2.3 数据挖掘的常用的算法
• 2.3.1 分类规则挖掘
• 2.3.2 聚类规则挖掘
• 2.3.3 关联规则挖掘
• 2.3.4 小结
• 第3章 蚁群算法
• 3.1 蚁群行为仿真的基本思想
• 3.2 蚁群算法的实现
• 3.3 蚁群算法的流程
• 3.4 基本蚁群算法的优缺点
• 3.4.1 基本蚁群算法的优点
• 3.4.2 基本蚁群算法的缺点
• 3.5 蚁群算法的改进
• 3.6 常见的改进蚁群算法
• 3.6.1 具有随机扰动特征的蚁群算法
• 3.6.2 自适应调整信息素的蚁群算法
• 3.6.3 混合蚁群算法
• 3.6.4 本章小结
• 第4章 DNA序列分析
• 4.1 DNA序列数据
• 4.2 DNA序列对比
• 4.2.1 基本蚁群算法
• 4.2.2 自适应调整信息素的改进算法
• 4.2.3 仿真结果
• 4.2.4 小结
• 4.3 DNA序列关联挖掘
• 4.3.1 规则的相关概念及定义
• 4.3.2 算法的基本思想
• 4.3.3 算法框架
• 4.3.4 超顶点内子项点的概率选择公式
• 4.3.5 信息素更新公式
• 4.3.6 启发式公式
• 4.3.6 实验结果及分析
• 4.3.7 挖掘关联规则的蚁群算法用于DNA序列分析
• 4.3.8 小结
• 4.4 DNA序列聚类挖掘
• 4.4.1 基本蚁群聚类模型
• 4.4.2 LF算法
• 4.4.3 基于信息的熵蚁群聚类算法
• 4.4.4 改进的单蚁群聚类算法（SACA）
• 4.4.5 蚁群聚类算法用于DNA数据分析
• 4.4.6 小结
• 4.5 DNA序列分类挖掘
• 4.5.1 基于蚁群算法的分类规则挖掘算法
• 4.5.2 构造规则
• 4.5.3 规则后剪枝
• 4.5.4 外激素浓度更新
• 4.5.5 变异算子
• 4.5.6 算法描述
• 4.5.7 蚁群分类挖掘算法在DNA序列分析中的应用
• 4.5.8 小结
• 4.6 本章小结
• 第5章 结论
• 参考文献
• 致谢
• 摘要
• Abstract