摘要：设计了一个求解多序列比对问题的并行混合遗传算法(与之相应的软件称为PHGACOFFEE).该算法采用COFFEE函数作为个体的适应度函数,构造了六种遗传算子,特别是设计了两种新颖的变异算子,其中一种变异算子基于COFFEE的一致性信息设计,以改善算法的整体搜索能力.另一种变异算子基于动态规划方法设计,以增强其局部搜索能力.通过对BAliBASE中144个测试例的测试,证明该算法是有效的.与已有的算法相比,该算法对处于朦胧区和具有N/C末端延伸的序列比对问题有更强的问题求解能力.同时通过对算法并行化,其运行时间显著缩短.

摘要：针对生物序列分析中的多序列比对问题,设计了一个求解多序列比对问题的混合遗传算法(与之相应的软件称为HGA COFFEE),该算法采用COFFEE函数作为个体的适应度函数,构造了5种新的遗传算子,包括1种选择算子,2种交叉算子和2种变异算子,其中一种变异算子基于COFFEE的一致性信息设计,以改善算法的整体搜索能力;另一种变异算子基于动态规划方法设计,以增强其局部搜索能力。最后,通过对BAliBASE中144个测试例的测试,证明该算法是有效的,与已有的算法相比,该算法对处于朦胧区和具有N/C末端延伸的序列比对问题有更强的问题求解能力。

摘要：针对生物序列模体的识别问题,提出了一个新的混合Gibbs抽样识别算法.算法基于混合模体模型学习,采用贪心策略,通过似然度最大化,逐次将新的模体加入到混合模型中.算法中设计了位点抽样和模体抽样两种抽样方法,这两种抽样方法交替进行.为了加速搜索过程,对输入数据集采用了基于kd-trees的分层划分策略.实验结果表明,该算法对序列家族大量模体特征的识别具有显著优势,并且可建立更具统计特征的模体模型,从而提高序列分类的准确性.

摘要：定位转录因子结合位点,也称模体发现问题,对于理解基因调控关系非常重要.文中提出了一种新的定位投影求精算法(Fixed-Position Projection Refinement algorithm,FPPR)用于DNA序列中的转录因子结合位点识别.通过一个基于数据集对应位置频率矩阵的投影过程,将DNA数据聚类为不同的子集,过滤选出其中具有一定信息量和复杂度的子集,作为初始状态,进而使用期望最大化算法进行求精.FPPR通过对定位投影过程中阈值的设定,实现了对OOPS、ZOOPS、TCM这3种模型中不同模体实例分布的处理.同时,结合高阶马尔可夫背景设计目标函数,使得算法的概率模型更加符合真实生物数据.此外,通过相似函数WIC评估,FPPR可拓展为解决多模体识别问题.真实数据测试表明,FPPR可以在合理的时间内准确找寻模体,与MEME、GAME、Motif Sampler和GALP-F等算法相比有更好的性能,并且可以有效地解决多模体识别问题.

摘要：本文讨论了如何利用高阶逻辑描述硬件的行为及结构,提出了硬件验证的一般方法,高阶逻辑不仅可以作为一种描述语言用来描述硬件的行为及结构,而且可以作为证明系统用来验证硬件设计的正确性,文中给出的用以说明描述及验证的例子包括CMOS反相器、复位的奇偶校验器。

摘要：带有截止期的作业调度问题是企业管理、操作系统中重要而又基本的问题之一。利用遗传算法解决了操作系统中单机、无资源约束 ,且每个作业可在等量时间内完成的作业调度问题。在系统地讨论了带有截止期的作业调度有关理论的基础上 ,设计并实现了该问题的一种新型算法———基因型算法。最后给出了算法的一些运行结果。实验仿真结果表明 ,该算法具有很强的鲁棒性。

摘要：N-Body问题的直接计算方法的时间复杂度是O(2),BH算法的时间复杂度为O(log)[1]。BH算法利用质心近似计算降低了时间复杂度,但同时也降低了计算结果的准确度。为把与判断足够远的参数(=/)密切相关的计算结果的近似准确度控制在要求的范围内,应用多极扩展和Gauss数值积分方法给出了BH算法质心近似的数学解释以及误差与参数的关系,得出BH算法是FMM算法和Gauss数值积分的一个特例,并指出Gauss积分法中隐含的正交多项式较FMM中常用的che-byshev正交多项式更与求解的问题相关。

摘要：仿真是通信网络技术研究中一种非常有效的分析手段,但对于光突发交换(OBS)这种新型的光交换技术,目前还缺乏一种通用的仿真模型。该文在总结现有光突发交换技术的基础上,以OPNETModeler为工具建立了一种通用的OBS仿真模型。提出了一种在不损失精度的条件下对OBS网络体系结构进行简化设计的方案,并根据仿真需要对OBS关键设备边缘节点和核心节点的逻辑结构进行了重新设计,同时为增加模型的灵活性,增设了数据源节点和初始化节点。目的是要建立一种灵活、易用、可扩展性强的通用OBS仿真模型。

摘要：顺序存取设备的最优存储是组合优化中的一个重要问题。文章在系统地讨论了顺序存取设备有关理论的基础上 ,设计并实现了该问题的一种新型算法———遗传算法。在这种算法中 ,充分利用了遗传算法的全局搜索能力。实验仿真表明 ,该算法不仅有效 ,而且表现出很强的鲁棒性。