第1章 绪论
1.1 进化算法
1.1.1 遗传算法
1.1.2 遗传规划
1.1.3 进化策略
1.1.4 进化规划
1.1.5 粒子群优化算法
1.1.6 量子粒子群优化算法
1.2 生物信息学
1.2.1 生物信息学的起源
1.2.2 生物信息学的概念
1.2.3 生物信息学的主要研究内容
1.3 最优化理论
1.3.1 最优化问题
1.3.2 局部优化算法
1.3.3 全局优化算法
1.3.4 最优化问题的求解
1.4 本书的主要内容
第2章 粒子群优化算法和量子粒子群优化算法
2.1 粒子群优化算法
2.1.1 基本粒子群算法
2.1.2 带惯性权重w的粒子群算法
2.1.3 带收缩因子x的粒子群算法
2.2 量子粒子群优化算法
2.2.1 d势阱模型的建立
2.2.2 粒子的基本进化方程
2.2.3 OPS0算法的流程
2.3 OPS0算法收敛性分析
2.3.1 全局搜索算法的收敛准则
2.3.2 局部搜索算法的收敛准则
2.3.3 OPS0算法的全局收敛性
第3章 基于选择操作的QPSo算法
3.1 引言
3.2 采用锦标赛选择操作的QPSO算法（QPS0.TS）
3.3 采用轮盘赌选择操作的QPSO算法（QPSO-RS）
3.4 算法的收敛性分析
3.4.1 全局收敛性准则
3.4.2 基于选择操作的QPS0算法的全局收敛性
3.5 实验结果及分析
3.5.1 实验设计
3.5.2 实验结果
3.6 本章 小结
第4章 进化算法在多序列比对中的应用
4.1 多序列比对的含义
4.2 基于二进制OPSO算法的序列比对
4.2.1 二进制的PS0算法（BPS0）
4.2.2 二进制的QPS0算法（BQPSO）
4.2.3 基于MBPS0或MBOPS0的多序列比对
4.2.4 仿真实验和结果
4.2.5 结论
4.3 基于隐马尔柯夫模型和多样性QPSO算法的多序列比对
4.3.1 前言
4.3.2 隐马尔柯夫模型
4.3.3 基于剖面HMM和QPSO的多序列比对
4.3.4 融合多样性的0PSO算法
4.3.5 评估训练算法的质量
4.3.6 模型的联配问题
4.3.7 评估比对序列的质量
4.3.8 实验结果
4.3.9 结论
第5章 基于进化算法的代谢流的评估
5.1 代谢流评估
5.1.1 化学计量矩阵方法
5.1.2 基于13C标记平衡的MFA
5.2 基于白适应进化算法和单值分解的方法的代谢通量分析
5.2.1 自适应进化算法
5.2.2 系统化学计量矩阵约束的单值分解
5.2.3 进化算法中不等式约束的处理
5.3 基于QPSO及其改进的QPSO算法和罚函数的代谢通量分析
5.3.1 罚函数的方法
5.3.2 基于QPSO及其改进的QPS0和罚函数的代谢流评估流程
5.4 仿真实验及其结果
5.5 本章 小结
第6章 基于GP和QPSO算法的兽疫链球菌发酵透明质酸培养基的优化
6.1 引言
6.2 原料和方法
6.2.1 微生物和媒介
6.2.2 在一个7一1发酵罐中的兽疫链球菌的一组培养基
6.3 响应面分析法（RSM）
6.4 仿真实验和结果
6.4.1 RSM的结果
6.4.2 GP的结果
6.4.3 使用QPSO算法优化GP评估方程式的参数的结果
6.4.4使用QPSO算法优化透明质酸产量的培养基的结果
6.5 结论
第7章 基于多样性量子行为粒子群优化算法的基因数据聚类
7.1 基因数据聚类研究现状
7.2 多样性引导的量子粒子群优化算法
7.3 基于DGOPSO的聚类算法设计
7.4 基于多样性量子行为粒子群算法的基因数据聚类
7.4.1 实验数据集
7.4.2 基因表达数据聚类实验分析
7.4.3 基于粒子群优化的聚类算法比较
7.4.4 与一些常用聚类算法的比较
7.5 结论
第8章 总结与展望
附录1 PSO算法程序代码
附录2 QPSO算法程序代码
附录3 多序列比对程序代码
参考文献
展开
