[发明专利]一种基于memetic算法的基因模体重构技术

摘要

本发明公开了一种基于memetic算法的基因模体重构技术，结合了群体算法搜索的广度优点和局部搜索算法的深度优点，以基因表达响应输出误差为优化算法的评价函数，通过个体间的交叉和变异增加了粒子的多样性，利用最小化评价函数来确定基因模体加权矩阵模型的最优结构及参数，从而推测出与实验数据相吻合的基因模体结构。

主权项

一种基于memetic算法的基因模体重构技术，其特征是所述方法包括如下步骤：步骤1：生成数据。由真实基因模体调控作用中产生所有基因表达的t_f个离散时间序列u_i(t)，i＝(1，2，…，n)，t=(1，2，…，t_f)。步骤2：编码。根据基因模体中加权模型权值变量的解空间，将可行解数据表示成搜索空间的浮点型串结构数据，这些串结构数据不同组合构成不同可行解。步骤3：产生初始群体。确定网络模体的基因个数n，搜索种群规模M，解空间维数大小D=n²，杂交概率p_c，变异概率p_v，随机产生M个初始个体，进化代数变量k=1，最大进化代数K_max。步骤4：交叉。按照杂交概率p_c在M个个体中任意选取两个进行杂交运算，产生新一代群体的两个新个体。步骤5：变异。在杂交运算杂生的新群体中，按照变异概率p_v从中选取若干个体，进行变异操作。步骤6：计算适应度函数。对变异后的新群体根据基因表达响应输出误差分别计算每个个体的适应度函数，其公式为：$E=\underset{t=1}{\overset{t_f}{\mathrm{\Σ}}}\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(u_i\left(t\right)-{\hat{u}}_i\left(t\right))}^2}$其中，u_i(t)、分别表示基因i在t时刻真实与预测的基因表达水平。步骤7：选择。从当前群体中选择M个优良(适应度高)的个体，选择概率与其适应度成正比，舍弃适应度低的个体。步骤8：局部搜索。对种群中的所有个体采用拟牛顿法进行局部搜索。步骤9：如果满足停止条件或达到最大迭代次数(k＝K_max)，则寻优结束，所得到的全局最优值，即为基因模体的加权矩阵模型权值；否则，k：＝k+1，转步骤4。