论文研究-基于QPSO算法和S-系统的基因调控网络分析与重构.pdf

所需积分/C币:10 2019-07-22 22:52:43 347KB .PDF
42
收藏 收藏
举报

基于量子粒子群(QPSO)算法分析和重构了基因调控网络。利用S-系统模型进行基因调控网络的模拟,基本方法以真实实验数据与模拟数据的差的平方和作为目标函数进行迭代优化,只能预测数目很少的参数并且算法的收敛率很低。依据基因网络的稀疏性,提出了基于QPSO算法的逐步优化策略,将整个优化过程分为三个阶段,通过逐步确定无效参数的位置来简化模型。仿真实验基于QPSO算法逐步优化策略成功实现了一个包含5个节点60个参数的S-系统优化。
第9期 冯斌,等:基于OPSO算法和S-系统的基因调控网络分析与重为 3281· 拟合结果。然而实验证明基本方法只能优化数目很少的参数,剪枝项后,确定了31个无效参数(共37个)的位置,这大大降 并且算法的收斂率很低。 低了后而优化工作的复杂度。从表3中可以看出整个优化过 2.3基于QPSO算法的逐步优化策略 程完成后,无效参数的位置都已确定。表5是由 PEACEI1算 S系统模型有很多局部最优解,加上粒千的高维件目受实法得到的拟合结果:对比表3和5,在保持目标函数评价次数 验误差的影响,基本算法只集中复制给定的模型数据,很少能 致的情况下,本文提岀的基于Q門SO算法的逐步优化策咯得 得到一组高精度的拟合参数。基于基因网络的稀疏性,即网络到的参数拟合精度比PACE高很多。图2是第一次实验中 中有大量的参数值为0,称为无效参数。文献[5]提岀了增加S系统的实验模型(曲线)与由OSO逐步优化策略得到的预 惩罚项的目标函数 测模型(标记点)对比。从图中可以看出,预测模型的标记点 T X:(t)-X: (t) 与实验模型曲线完全吻合,通过模型曲线可知当time=0.5 E=∑∑( 2+cl2g2+∑|h1(11) 时,整个系统趋向稳态。整个优化过程屮,参数c的取值非常 其中:c是平衡两个评价组的权值系数。式(11)中右边第二部重要。c过大会导致非无效参数被惩罚;c过小会导致惩罚的 分的惩罚函数称为剪枝项,其作用是使参数gn和h尽可能趋力度不够,不能有效地确定无效参数的位置;实验验证c的最 向于0,但如果用式(11)作为鍪个优化过程中的目标优化区佳取值在0.18~0.22,其中c=0.2时,算法的鲁棒性最强。与 数,则很可能是模型中不为0的参数惩罚,使得非无效参数的基本算法相比,基于(O算法逐步优化策略不仅可以优化更 值趋向于0,导致最后参数拟合结果准确度差。鉴于此,本文为复杂的S-系统,而且在参数的拟合精度、算法的优化速度和 提出了一种分阶段的逐步优化策略:先优化带剪枝项的目标函收敛率方面都有很大的提高。 数,逐步找到无效参数的位置;再固定无效参数的值来简化模 表1图1描述的基因调控网络动态S-系统的参效集 型,然后进一步优化其他参数。为了避免第一阶段优化后粒子 gagg3gag5阝2 hil h2 hi3 收敛可能带来下一阶段粒子的早熟,本文通过调整α,使其值0000100-1010.0200.0000.00.0 210.02.00.00.00.00.010.00.02.00.00.00.0 大于1.8,让种群发散后再进入下一阶段的优化。具体的逐步 310.00.0-1.00.00.00.010.00.0-1.02.00.00.0 优化策略步骤如下 8.00.00.02.00.0-1.010.00.00.00.02.00.0 a)基于QPSO算法,以式(11)为目标优化函数,利用剪枝-5100000000200010.000000000 项逐步找到g,和h;中无效参数的位置,记录全局最优解。 表2实验初始值数据集 b)以阶段a)的历史最优种群作为初始化种群,设置 实验次数 1.8,使和群发散。 0.70 0.12 0.14 D.16 c)保留b)的全局最优解,将已找到的无效参数值固定为0, 0.10 0.70 0.I6 0.10 简化模型,以式(10)为目标优化函数,进一步优化其他参数。 0.12 S-系统是包含了大量无效参数且优化非常困难的模型。 逐步优化最重要的一点就是将给定的复杂问题划分成若干个 0.70 0.1 0.16 简单的」问题,让参数的优化次序逐步变得清昕,逐步优化策 0.12 0.70 0.70 0.18 略的a)和c),应设置α小于1.7,使算法收敛于全局最优解。 0.12 0.70 10 0.70 0.12 0.16 0.70 3实验结果及分析 表3QPSO逐步优化策略计算的S-系统的参数集 为了验证算法的有效性,本文采用图1的基因调控网络模 k123" 型°进行了实验。用式(8)S系统表示的系统参数集如表1 15.000.00.00.990.0-0.9910.02.00.00.00.00.0 210.002.00.00.00.00.09.990.01990.00.00.0 所示。模型中共包含60个参数,其中37个是无效参数。每次 39.990.0-1.00.00.00.09.990.0-1.02.00.00.0 实验取50个时间序列数据,采用多组时序进行测试。实验所4790.00.01.990.0-0.99.990.00.00.02.00.0 用的初始数据集(初值)如表2所示。基于模型的稀疏性,为 59.990.00.00.02.00.09.990.00.00.00.02.0 了降低实验计算量,当参数的绝对值小于8时,将其值设为 表4QPSO逐步优化策略第一阶段优化得到的S-系统参数集 0。Q<O算法逐步优化策略的参数设置如下:n=5,T=10,c gi g2 k3 gis gs p hi h2 h i3 h 0.2,8=0.001,P=60,G=10000,G=50,G1=29950,m= 14.620.0-0.020.420.0-0.979.452.050.00.00.00.0 214.991.060.140.00.00.013.660.00.910.00.00.0 0.75,c2=2.0,3=0.73其中:P是种群的规模;G、G、G分 39.280.0-0.710.00.00.09.530.0-0.642.990.00.0 别是各阶段的迭代次数;1、2、c:是对应各阶段QPsO算法中 413.390.03-0.030.950.0-0.6414.990.0-0.010.00.820.0 的a。参数变化范围是c1和B∈[0,15.0],gn和h∈[-3.0 511.270.00.00.01.400.011.530.00.00.70.01.69 3.0]。整个循环用VC++6.0,在一台 PentiumⅣV3.06GHz 表5 PEACE1计算的S-系统参数集 的PC机上执行了约15h i∝x;ggg3gag5B;hat 由QSO逐步优化策略算法得到的参数拟合结果如表3 15.90.00.00.90 0.910.61.70.00.00.00.0 所示。从表中可以看出60个参数拟合的精确度都非常高,迭 210.02.10.00.00.00.010.20.02.10.00.00.0 39.60.0-0.90.00.00.09.70.0-0.92.30.00.0 代结束后式(10)的值达到了10。表4是QPSO逐步优化策 49.40.00.D1.90.0-0.911.50.0U.00.01.80.0 略第一阶段优化后得到的S-系统参数集,经过第一阶段优化 510.20.00.00.02.10.010.20.00.00.70.01.9 3282· 计算机应用研究 rence on Natural Computation. Berlin, Heidelberg: Springer, 2005 [3 SUN Jun, FENG Bin, XU Wen-bo. Particle swarm optimization with 0. x particles having quantum behavior[C]//Proc of Congress on Evolu- 0.23F XXX tionary Computation. Piscataway: IEEE Press, 2004: 325-331 4] SUN Jun, XU Wen-bo, FENG Bin. A global se arch strategy of quan- 0.050.10.15020.250.30.350.40450.5 tum-behaved particle swarm optimization[C//Proe of IEEE Confe 图2第一次实验S-系统实验模型(曲线)与QPS rence on Cybernetics and Intelligent Systems. 2004: 111-116 逐步优化策略计算的预测模型(标记点)对比 1 5 SHINICHI K, DAISUKE T, MASANORI A, et al. Dynamic mode 4结束语 ling of genetic networks using genetic algorithm and S-system[ J] Bioinformatics,2003,19(5):643-650. 本文利用S系统做了基因调控网络的分析和重构工作。[6] SHUHEIK, KAORIL, AIKO K,etul. Inference of S- system model 系统由于其丰富动态性能描述能力,婧确地建立稳态估计 of genetic networks using a cooperative coevolutionary algorithm[ J 控制分析和敏感分析等特点,已经成功用于各种生化路径分 Bioinformatics,2005,21(7):1154-1163 析。用S-系统的幂率模型来进行基囚调控网络的模拟过程 [7 TOMMAGA D, KOGA N, OKAMOTO M. Efficient numerical optimi 中,由于该模型是一个非常县体的模型,即包含N个节点的风 zation algorithm based on genetic algorithm for inverse problem[C// Proc of Genetic and Evolutionary Computation Conference. 2000: 251 络需要对2N(N+1)个参数进行优化,基本方法只能预测节点 258 数很少的模型,并且算法的收敛率很低。鉴丁此,本文提出了18| KIMURA S, KONAGAYA A. High dimensional function optimization 一种基于(PO算法逐步优化策略,利用惩罚函数找到系统中 using a new genetic local search suitable for parallel computers[C]// 无效参数的位置,通过固定无效参数的值来简化模型,再进 Proc of Conference on Systems. 2003: 335-342 步优化得到精确解。仿真实验成功分析和重构了一个含五个[9] KIMURA S, HATAKEYAMA M, KONAGAYA A. Inference of S 节点的基因调控网络,对比其他算法,本文算法在参数拟合精 system models of genetic networks using a genetic local search[C// 度上有了很大进步。 Proc of Congress on Evolutionary Computation. 2003: 631-638 [10. MAKI Y, UEDA T, OKAMOTO M, et al. Inference of genetic net- 参考文献 work using the expression profile time course data of mouse P19 cells [I CLERC M, KENNEDY J. The particle swarm: explosion, stability [J]. Genome Infom,20)2,13:382-383 and convergence in a multi-dimensional complex space J]. IEEE [11. MORISHITA R, LMADE H, ONE 1, ct al. Finding multiple solu Trans on Evolutionary Computation, 2002. 6(1): 58-73 tions based on an evolutionary algorithm for inference of genetic net [2 SUN Jun, XU Wen-bo, LIU Jing. Parameter selection of quantum works by S-system[ C //Proc of Congress on Evolutionary Computa behaved particle swarm optimization[C]//Proe of International Confe tion.2003:615-622 (上接第3249页)解过程中的优点和不足,提出了一种新的求解参考文献 Job-shop调度问题的遗传蚁群算法。仿真对比实验结果表明, 相对于单纯的遗传算法和蚁群算法,遗传蚁群算法有较忺的收 I van der ZWAAN 5, MARQUES C. Ant colony optimization for Job 敛速度、较好的仝局择优能力和较高的求解精庋 hop scheduling[ C//Proe of Workshop on Genetic Algorithms and Artificial life 1999 表3标准算例仿真结果 [2]柳林,基于遗传算法的Job-shop调度问题求解[J].计算机应月, 间规模住 GAACO(AAC题规值 :A ACO GAAA G:AC 2006,26(7):1694-1696 066×655555 x10902907912912907 f1010×10930976962945939 115×1010451112113811261038 [3]王超,郭静,包振强.改进的Q学习算法在作业车间调度中的应 f202×51012861951961781a2215x10279601030102190 la0110×5665666665612315×1010321032107410681032 用J].计算机应用,2008,28(12):3268-3270 a0210x565565657659655‖11a2415x10935993104010249 [4]潘燕春,周泓.Jab-shp排序问题的传强化学习箕法[J].计算 1031×559760662161759712515×1097710310781029102 la(410×5590607 5901a2620x1012181272135012921253 机工程,2009,35(16):25-28 la0510x5593593 59312720×1012351347140513921307 106155969692592592512820×1012151268135513512615丁建立,陈增强,袁著祉遗传算浍与蚂蚁算法的融合[冂].计 5×589089 89089)‖12920×101153127213511278125 算机研究与发展,2003,40(9):1351-1356 15×5863853 86386531a3020×1013551405141714301376 a15×5y9191951y511a310x1017X41X488n1X5617%4 [6 DIRK C M, ROB J M. The internat ional st andard testing cases on a1015×5958958958959958‖a3230×1018501850192619661850 la12×5122122222190×109m9861851/19 heduling problems from OR library [EB/OL].(2010-01-20).ht a20×51039103910391039103913430×101721173318531797172 tp: / people brunel. ac. uk/- mastijb/jeb/ info. html 11320×5150101501s010a330×101881881981198618s a142×512921292129212921292a3615x1512681334138013871317 [7]葛继科,邱玉辉,炅春明,等.遗传算法研究综述[J].计算机应 a520×5120712071207120712071a3715×1513971476150314661459 la1610×10)45 97997)9611a3815×151195133131012841252 用研究,2008,25(10):2911-2916 la1710×1078 917947891a3915×151232128913131330128 a1810×10848851857857848a4015x151222127413051292126 [8]黄挚雄,張登科,黎群辉.或群算法及其改进形式综述[J].计算 la1910×1084287584684584 技术与自动化,2006,25(3):35-38

...展开详情
试读 4P 论文研究-基于QPSO算法和S-系统的基因调控网络分析与重构.pdf
立即下载
限时抽奖 低至0.43元/次
身份认证后 购VIP低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
  • 至尊王者

关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-基于QPSO算法和S-系统的基因调控网络分析与重构.pdf 10积分/C币 立即下载
1/4
论文研究-基于QPSO算法和S-系统的基因调控网络分析与重构.pdf第1页

试读结束, 可继续读1页

10积分/C币 立即下载