生化途径参数估计的QPSO-MGbest算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (20): 214-217.

生化途径参数估计的QPSO-MGbest算法

余永红，冯斌，孙俊

江南大学信息工程学院，江苏无锡 214122

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-07-11 发布日期:2011-07-11

QPSO-MGbest algorithm for parameter estimation in biochemical pathways

YU Yonghong，FENG Bin，SUN Jun

School of Information Technology，Jiangnan University，Wuxi，Jiangsu 214122，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-07-11 Published:2011-07-11

摘要/Abstract

摘要： 讨论了非线性动力生化过程的参数估计（反问题），描述为受一组非线性代数-微分方程约束的非线性规划问题，由于频繁的病态和多峰值，传统的算法（如梯度算法）并不能得到满意的解。提出了一种改进的量子行为粒子群优化算法求解代谢途径的参数估计，该算法采用基于全局最好位置的变异操作以提高算法的非线性逼近能力和较好的全局搜索能力。以一个三阶段代谢途径为研究对象，建立参数估计的算法模型，以实验值和预测值的误差平方加权的和为目标优化函数。实验表明改进量子行为粒子群优化算法能够较好求解该问题。

关键词: 粒子群优化, 代谢途径, 参数估计, 全局位置变异

Abstract:

The parameter estimation（inverse problem） of nonlinear dynamic biochemical pathways which is stated as a nonlinear programming problem subject to nonlinear differential-algebraic constrains is discussed.The problem is frequently ill-
conditioned and multimodal，traditional（gradient-based） local optimization methods fail to arrive at satisfactory solutions.An improved quantum-behaved particle swarm optimization is proposed to solve the inverse problem.The improve QPSO employs a mutation operation exerted on the global best position to enhance the search ability of the QPSO algorithm.A case study considering the estimation of 36 parameters of a nonlinear biochemical dynamic model is taken as a benchmark.It is shown that the improved QPSO algorithm is able to solve the problem successfully as showed by comparative experiments.

Key words: particle swarm optimization, metabolic pathway, parameter estimation, mutation on global best position

余永红，冯斌，孙俊. 生化途径参数估计的QPSO-MGbest算法[J]. 计算机工程与应用, 2011, 47(20): 214-217.

YU Yonghong，FENG Bin，SUN Jun. QPSO-MGbest algorithm for parameter estimation in biochemical pathways[J]. Computer Engineering and Applications, 2011, 47(20): 214-217.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[3]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[4]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[5]	孟娜，李艳艳，汪霖. 基于CITAF-HAF的立方调频信号参数估计[J]. 计算机工程与应用, 2021, 57(17): 75-79.
[6]	李雷孝，邓丹，李杰，王永生. 基于粒子群优化的全比较计算数据分发策略[J]. 计算机工程与应用, 2021, 57(15): 109-117.
[7]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[8]	陈秋菊，徐建国. 优化正交匹配追踪和短时谱估计用于声音识别[J]. 计算机工程与应用, 2020, 56(7): 162-169.
[9]	张水平，李殷俊，高栋，梁文. 带有动态爆炸半径的增强型烟花算法[J]. 计算机工程与应用, 2020, 56(18): 50-57.
[10]	黄建琼，郭文龙. 混合粒子群和改进细菌觅食的不平衡数据分类[J]. 计算机工程与应用, 2020, 56(10): 171-178.
[11]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[12]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[13]	王秋萍，王梦娜，王晓峰. 改进收敛因子和比例权重的灰狼优化算法[J]. 计算机工程与应用, 2019, 55(21): 60-65.
[14]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[15]	汤深伟，贾瑞玉. 基于改进粒子群算法的[k]均值聚类算法[J]. 计算机工程与应用, 2019, 55(18): 140-145.