进化算法在生物多序列比对中的应用

本书全面系统地介绍了进化算法在生物多序列比对中的应用，根据内容的分类，分为“多序列比对基础篇”“多序列比对模拟篇”和“多序列比对参数篇”三个模块。首先介绍生物多序列比对的基础知识，包括多序列比对的基本概念、原理、方法、常用数据库、常用工具和应用等内容，并介绍进化算法和很优化理论的基础知识，以及遗传算法、粒子群优化算法和量子粒子群优化算法的优化过程及收敛性分析，为进行多序列比对的模拟提供理论基础；然后详细介绍各进化算法模拟多序列比对的过程与结果；很后对于多序列比对很重要的目标函数参数进行建模与分析。本书具有系统性强、可读性强、可操作性强等特点。

龙海侠，1980年生，2007年获江南大学计算机软件与理论硕士学位，2010年获江南大学轻工信息技术与工程博士学位，现就职于海南师范大学信息科学技术学院，副教授。研究方向：群体智能算法、进化算法、生物信息。硕士期间从事群体智能算法和进化算法的研究及其在聚类、图像分割上的应用研究；博士期间从事生物信息的研究，重点研究多序列比对和培养基的优化；近5年从事深度学习算法和生物信息的研究。已出版教材1部、专著1部，发表论文30余篇，主持省级课题2项，作为靠前完成人获得省级奖励2项。
李满枝，1979年生，2004年6月获西北工业大学计算数学专业理学硕士学位，现就职于海南师范大学数学与统计学院，副教授。主要研究方向：生物信息学、计算机数值模拟、算法构造等。硕士期间从事基于蒙特卡罗方法的计算机模拟，近5年从事生物信息中的蛋白质功能预测研究。已在靠前外核心期刊及学术会议上发表多篇论文，出版专著1部，并作为主要成员参与省级和国家自然科学项目多项，现主持海南省自然科学基金“生物多序列比对的遗传算法模拟及改进”。
王洪涛，1978年生，2008年6月获海南师范大学应用数学专业理学硕士学位，现就职于海南师范大学数学与统计学院，副教授。主要研究方向：计算机数值模拟、算法构造、数学建模等。在靠前外核心期刊及学术会议上发表多篇论文，出版专著1部，并作为主要成员参与海南省自然科学基金项目多项，目前是海南省自然科学基金“生物多序列比对的遗传算法模拟及改进”的第二参与人。
付海艳1978年生，2002年获山东大学人工智能与模式识别硕士学位，2009年获山东大学系统理论博士学位，现就职于海南师范大学信息科学技术学院，教授。研究方向：评价理论与方法、决策理论与方法、不确定信息处理。硕士期间从事基于模糊集理论的评价方法和决策方法的研究，博士期间从事基于粗糙集理论和模糊集理论的不确定信息处理，近5年从事数据挖掘算法的研究。已出版教材2部、专著1部，发表论文30余篇，主持国家课题1项、省级课题6项，作为靠前完成人获得省级奖励2项。

上篇多序列比对基础篇
第1章生物多序列比对3
1.1生物信息学3
1.1.1生物信息学的起源3
1.1.2生物信息学的概念4
1.1.3生物信息学的主要研究内容4
1.2序列比对的概念及其发展历史8
1.2.1序列比对的提出与基本概念8
1.2.2序列比对的目的和意义8
1.2.3国内外研究现状10
1.2.4多序列比对面临的挑战10
1.3多序列比对的基本原理11
1.3.1多序列比对的相关概念11
1.3.2序列比对的分类12
1.3.3多序列比对的数学定义13
1.3.4多序列比对的打分方法14
1.4多序列比对方法22
1.4.1比对方法22
1.4.2多序列比对算法23
1.5多序列比对常用数据库33
1.5.1综合性数据库34
1.5.2基准数据库36
1.6多序列比对常用工具40
1.6.1搜索工具40
1.6.2常用的在线多序列比对工具42
1.7多序列比对的应用45
1.8其他说明46
1.8.1多序列比对算法存在的问题46
1.8.2多序列比对算法的运算指标47
1.8.3多序列比对算法的展望48
1.9本章小结48
参考文献49
第2章进化算法和最优化理论53
2.1进化算法53
2.1.1遗传算法53
2.1.2遗传规划54
2.1.3进化策略56
2.1.4进化规划57
2.1.5粒子群优化算法58
2.1.6量子粒子群优化算法61
2.2最优化理论63
2.2.1最优化问题64
2.2.2局部优化算法66
2.2.3全局优化算法67
2.2.4最优化问题的求解67
2.3本章小结69
参考文献69
第3章遗传算法、粒子群优化算法和量子粒子群优化算法73
3.1遗传算法73
3.1.1遗传算法的基本思想73
3.1.2遗传算法中的基本术语74
3.1.3遗传算法的步骤及流程图75
3.1.4遗传算法的构成要素76
3.1.5遗传算法的优缺点82
3.1.6遗传算法的应用现状84
3.1.7遗传算法的改进86
3.2粒子群优化算法87
3.2.1基本粒子群优化算法87
3.2.2带惯性权重w的粒子群优化算法89
3.2.3带收缩因子的粒子群优化算法91
3.3量子粒子群优化算法92
3.3.1势阱模型的建立92
3.3.2粒子的基本进化方程95
3.3.3QPSO算法的流程96
3.3.4QPSO算法的收敛性分析97
3.4QPSO算法的改进——基于选择操作的QPSO算法103
3.4.1引言103
3.4.2采用锦标赛选择操作的QPSO算法(QPSO-TS)105
3.4.3采用轮盘赌选择操作的QPSO算法(QPSO-RS)106
3.4.4算法的收敛性分析107
3.5本章小结110
参考文献110
中篇多序列比对模拟篇
第4章遗传算法在多序列比对中的应用115
4.1基本遗传算法模拟多序列比对115
4.1.1引言115
4.1.2多序列比对问题及数学描述117
4.1.3算法设计117
4.1.4实验算例与分析120
4.1.5结论123
4.2改进遗传算法之初始种群优化124
4.2.1引言124
4.2.2优化原理125
4.2.3几种初始化方法的构造127
4.2.4加入MAFFT种子的初始化130
4.2.5实验算例与结果130
4.2.6结论135
4.3改进遗传算法之交叉算子优化136
4.3.1引言136
4.3.2交叉算子设计137
4.3.3实验算例与结果140
4.3.4结论143
4.4本章小结144
参考文献144
第5章QPSO算法在多序列比对中的应用149
5.1多序列比对的含义149
5.2基于二进制QPSO算法的序列比对151
5.2.1二进制的PSO算法(BPSO)151
5.2.2二进制的QPSO算法(BQPSO)152
5.2.3基于BPSO或BQPSO的多序列比对156
5.3本章小结163
参考文献165
第6章基于隐马尔可夫模型和QPSO算法的多序列比对167
6.1引言167
6.2隐马尔可夫模型168
6.2.1隐马尔可夫模型的基本原理168
6.2.2隐马尔可夫模型的基本问题与算法169
6.3基于剖面HMM和QPSO的多序列比对172
6.3.1融合多样性的QPSO算法174
6.3.2评估训练算法的质量179
6.3.3模型的联配问题179
6.3.4评估比对序列的质量181
6.4本章小结191
参考文献191
第7章多序列比对的并行计算193
7.1长序列首尾分段并行比对算法193
7.1.1引言193
7.1.2构造原理195
7.1.3数值模拟结果196
7.1.4结论198
7.2本章小结198
参考文献199
下篇多序列比对参数篇
第8章多序列比对的参数研究203
8.1基于SP目标函数的多序列比对参数研究203
8.1.1引言203
8.1.2基本定义204
8.1.3公式推导206
8.1.4实验结果与分析210
8.1.5结论217
8.2在线工具MAFFT参数研究218
8.2.1引言218
8.2.2基本定义220
8.2.3实验结果与分析222
8.2.4结论229
8.3本章小结230
参考文献231
附录相关的源代码235
附录A基本遗传算法总程序235
附录B生成初始种群bio_var239
附录C生成初始种群rand_var243
附录D选择算子selection245
附录E横向多行交叉算子hhor_crossover4to2248
附录F纵向交叉算子ver_crossover4to2253
附录G变异算子mutation259
附录H适应度函数：SP函数262
附录I多序列比对参数研究的相关程序264
附录JHMM和QPSO算法用于多序列比对的程序266