蚁群算法在求解阿尔茨海默病最优微阵列上的应用

论文摘要

阿尔茨海默病是一种最常见的痴呆症。这种疾病的特点是会导致病人的认知记忆、定向、判断和推理等能力衰退并最终导致死亡。2006年,全球就有2.66亿阿尔茨海默病患者,预计到2050年,全球中每85个人中将会有一个是阿尔茨海默病患者。然而到目前为止,还没有找到特别有效的措施来治疗阿尔茨海默病。为了能够彻底的治疗阿尔茨海默病,就必须能够了解阿尔茨海默病的发病原理,也就必须要找到阿尔茨海默病的致病基因。所以寻找阿尔茨海默病的致病基因是目前的一项主要研究。目前寻找阿尔茨海默病致病基因采取的主要方法,是通过分析DNA微阵列数据寻找阿尔茨海默病的候选致病基因。而分析DNA微阵列数据的其中一种方法是将表达相似的基因放在一起(因为它们很可能在功能上也相似)。传统的聚类方法只注重聚类结果,忽略了类中数据的排列问题,然而将功能相似的基因聚在一起必须考虑基因的排列问题。因此,本文首先将求解阿尔茨海默病的全局最优排列问题转化为TSP问题,然后引入目前流行的智能算法——蚁群算法(Ant Colony Optimization)及其改进算法来解决此问题。主要研究内容如下:?(1).综述了阿尔茨海默病,基因芯片技术,寻找阿尔茨海默病致病基因的研究现状,以及应用全局优化思想求解最优DNA微阵列序列的主要方法。?(2).首先应用基本蚁群算法对酵母菌基因数据进行处理,并分析讨论了三种度量方式在求解最优基因序列中的优劣;然后引入信息熵并将其作为蚁群算法的结束判据,智能判断蚁群算法的迭代次数并减少运行时间,而且在实验结果中我们可以得出改进的蚁群算法在处理大规模数据时的优势更明显;最后我们将蚁群分为两类,并在迭代过程中减少蚁群规模,然后还以信息熵作为收敛判据,在大大加快运行速度的同时获得了与基本蚁群算法几乎一致的解。?

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 阿尔茨海默病及其致病基因研究现状
• 1.2 基因芯片技术的原理与应用
• 1.3 本文研究目的与意义
• 第二章 蚁群算法求解最优微阵列序列的度量方式选择讨论
• 2.1 基本蚁群算法原理
• 2.2 基本蚁群算法数学模型
• 2.3 度量方式
• 2.4 基本蚁群算法过程
• 2.5 实验及结果分析
• 第三章 基于信息熵的蚁群算法求解最优微阵列序列
• 3.1 熵的定义及其与蚁群算法的关系
• 3.2 数据及其标准化
• 3.3 以信息熵作为收敛判据的ACO 算法（ACO-IE）
• 3.4 遗传算法原理及过程
• 3.5 改进遗传算法过程
• 3.6 实验及结果分析
• 第四章 基于信息熵的分类蚁群算法求解最优微阵列序列
• 4.1 基于信息熵的分类蚁群算法
• 4.2 实验及结果分析
• 第五章 结论与展望
• 参考文献
• 附录
• 1. 硕士期间发表论文
• 2. 基本蚁群算法代码
• 3. 基于信息熵的蚁群算法代码
• 4. 基于信息熵的分类蚁群算法代码
• 致谢