人工魚(yú)群算法在基因調(diào)控網(wǎng)絡(luò)中的應(yīng)用研究

田旺蘭,李加升

(湖南城市學(xué)院通信與電子工程學(xué)院,湖南益陽(yáng)413000)

人工魚(yú)群算法在基因調(diào)控網(wǎng)絡(luò)中的應(yīng)用研究

田旺蘭,李加升

(湖南城市學(xué)院通信與電子工程學(xué)院,湖南益陽(yáng)413000)

在分析基因調(diào)控網(wǎng)絡(luò)現(xiàn)狀及優(yōu)缺點(diǎn)的基礎(chǔ)上,提出利用人工魚(yú)群算法對(duì)閾值布爾網(wǎng)絡(luò)模型構(gòu)建下的基因調(diào)控網(wǎng)絡(luò)進(jìn)行研究。將閾值布爾網(wǎng)絡(luò)模型應(yīng)用于花發(fā)育形態(tài)模型,構(gòu)建基于預(yù)定義吸引子和極限環(huán)的綜合網(wǎng)絡(luò)。比較人工魚(yú)群算法與模擬退火算法在基因調(diào)控網(wǎng)絡(luò)中的應(yīng)用情況,分析網(wǎng)絡(luò)節(jié)點(diǎn)更新機(jī)制變化時(shí)布爾網(wǎng)絡(luò)保留吸引子的能力,發(fā)現(xiàn)在極限環(huán)長(zhǎng)度為2和特定網(wǎng)絡(luò)拓?fù)湎戮W(wǎng)絡(luò)才具有魯棒性。實(shí)驗(yàn)結(jié)果表明,與模擬退火算法相比,人工魚(yú)群算法在網(wǎng)絡(luò)發(fā)現(xiàn)、魯棒性方面具有更好的性能,因此利用人工魚(yú)群算法學(xué)習(xí)布爾網(wǎng)絡(luò)結(jié)構(gòu)是有效可行的。關(guān)鍵詞:人工魚(yú)群算法;模擬退火算法;布爾網(wǎng)絡(luò);吸引子;極限環(huán);花發(fā)育形態(tài)模型

1 概述

近年來(lái),基因調(diào)控網(wǎng)絡(luò) (Gene Regulatory Network,GRN)已經(jīng)引起了機(jī)器學(xué)習(xí)界的廣泛關(guān)注。研究人員對(duì)GRN的不同數(shù)學(xué)模型進(jìn)行了研究,分別提出了布爾網(wǎng)絡(luò)[1]、概率布爾網(wǎng)絡(luò)[2]、Petri網(wǎng)[3]、貝葉斯網(wǎng)絡(luò)[4]、遞歸神經(jīng)網(wǎng)絡(luò)[5]等。文獻(xiàn)[6]利用蜂群算法(Bees Algorithm,BA)、文獻(xiàn)[7-10]利用模擬退火(Simulated Annealing,SA)分別從不同方面對(duì)GRN進(jìn)行了研究,證明了利用群體智能算法研究GRN的可行性,同時(shí)表明算法的網(wǎng)絡(luò)發(fā)現(xiàn)頻率和網(wǎng)絡(luò)節(jié)點(diǎn)更新序列數(shù)量之間存在冪律關(guān)系,但是網(wǎng)絡(luò)發(fā)現(xiàn)率不太高、魯棒性不太好。

人工魚(yú)群算法[11](Artificial Fish Swarm Algorithm,AFSA)是一種較新的群體智能優(yōu)化算法,文獻(xiàn)[12]等提出了一種雙域模型人工魚(yú)群算法;文獻(xiàn)[13]等用人工魚(yú)群算法對(duì)支持型QoS單播路由機(jī)制進(jìn)行了研究,另有學(xué)者從不同方面對(duì)人工魚(yú)群算法進(jìn)行了優(yōu)化和改進(jìn),如文獻(xiàn)[14]借鑒模擬退火算法中的Metropolis判別準(zhǔn)則和利用模擬退火算子改進(jìn)了人工魚(yú)群的覓食行為,提出了利用模擬退火算法來(lái)改進(jìn)的人工魚(yú)群算法;文獻(xiàn)[15]提出了利用高斯變異算子加差分進(jìn)化變異算子的改進(jìn)人工魚(yú)群算法;文獻(xiàn)[16]提出了基于遺傳算法的人工魚(yú)群優(yōu)化算法,但目前無(wú)人將人工魚(yú)群算法用于研究GRN網(wǎng)絡(luò)。

目前,GRN構(gòu)建中具有代表性的布爾網(wǎng)絡(luò)已經(jīng)廣泛應(yīng)用于酵母細(xì)胞周期表達(dá)、果蠅體節(jié)極性網(wǎng)絡(luò)、哺乳動(dòng)物細(xì)胞周期表達(dá)、花發(fā)育形態(tài)表達(dá)等不同生物的基因調(diào)控網(wǎng)絡(luò)的研究[17]中。本文將人工魚(yú)群算法應(yīng)用到閾值布爾網(wǎng)絡(luò)構(gòu)建的花發(fā)育形態(tài)模型中,可獲得較好的魯棒性和網(wǎng)絡(luò)發(fā)現(xiàn)頻率。

2 人工魚(yú)群算法

2.1 布爾網(wǎng)絡(luò)

1969年,Kauffuman[1]提出了著名的布爾網(wǎng)絡(luò)模型,用于研究基因調(diào)控網(wǎng)絡(luò)和細(xì)胞分化過(guò)程。

設(shè)A為關(guān)于n的有限集,A={a1,a2,…,an},ai屬于{0,1},i=1,2,…,n。一個(gè)布爾網(wǎng)絡(luò)就是一個(gè)(G,F)對(duì),這里G=(V,E)為有限有向圖,V是n個(gè)節(jié)點(diǎn)的集合,E是邊的集合。F是布爾函數(shù),F:{0,1}n({0,1}由n個(gè)局部函數(shù)fi:{0,1}n組成,且每個(gè)局部函數(shù)僅依賴(lài)屬于鄰域Vi={j∈V|(j,i)∈E}的變量。

節(jié)點(diǎn)定期更新,根據(jù)網(wǎng)絡(luò)收斂的動(dòng)力學(xué)特性,吸引子分為固定吸引子和極限環(huán),定義為:

固定吸引子:

極限環(huán):

其中,p為極限環(huán),是大于等于1的正整數(shù)。

因此,每個(gè)節(jié)點(diǎn)在t+1時(shí)刻的狀態(tài)可以寫(xiě)為:

其中,wji∈{-1,0,1},是從節(jié)點(diǎn)j到節(jié)點(diǎn)i的權(quán)值,對(duì)于所有的節(jié)點(diǎn)i,θi=0。這種模型就叫做閾值布爾網(wǎng)絡(luò)。

對(duì)于用閾值布爾網(wǎng)絡(luò)構(gòu)建的基因調(diào)控網(wǎng)絡(luò)的邊和權(quán)值,需要用到一個(gè)鄰接矩陣M,邊表示基因間的相互作用,權(quán)值表示基因間的激勵(lì)或抑制關(guān)系。初始矩陣Mi,i=1,2,…,ns在人工魚(yú)群算法里是隨機(jī)生成的,如圖1所示,但該矩陣嚴(yán)格服從節(jié)點(diǎn)入度R等的約束。

圖1 隨機(jī)初始矩陣M及其對(duì)應(yīng)布爾網(wǎng)絡(luò)

網(wǎng)絡(luò)初始化后,網(wǎng)絡(luò)節(jié)點(diǎn)的更新有很多種方法,人們最感興趣的有以下2種[6]:

(1)并行或同步模式:每個(gè)節(jié)點(diǎn)同時(shí)更新。

(2)串行模式:在每個(gè)時(shí)間步長(zhǎng)節(jié)點(diǎn)按預(yù)定義順序更新。

2.2 算法介紹

2.2.1 適應(yīng)度函數(shù)的定義

布爾網(wǎng)絡(luò)B的適應(yīng)度函數(shù)即為人工魚(yú)群算法的食物濃度,定義為為每個(gè)節(jié)點(diǎn)i的網(wǎng)絡(luò)輸出oi和每個(gè)節(jié)點(diǎn)i的目標(biāo)值ci間的方差,計(jì)算公式為:

其中,n為網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù);p為吸引子環(huán)長(zhǎng)度。

2.2.2 人工魚(yú)群算法及算法步驟

人工魚(yú)群算法作為一種有效的智能群體尋優(yōu)算法,通過(guò)模擬魚(yú)類(lèi)的覓食、聚群、追尾和隨機(jī)等行為在搜索域內(nèi)進(jìn)行尋優(yōu),是利用群體智能思想解決優(yōu)化問(wèn)題的一個(gè)具體應(yīng)用。

如圖2所示,用Pcurr表示人工魚(yú)虛擬實(shí)體的當(dāng)前位置,Visual為其視野范圍,Pvisu為其在某時(shí)刻的視點(diǎn)所在位置,如果該位置的食物濃度優(yōu)于當(dāng)前位置,則可往該方向游進(jìn)Step,即到達(dá)Pnext,Step為其可移動(dòng)的最大步長(zhǎng)。如果位置Pvisu不比當(dāng)前位置Pcurr更優(yōu),則繼續(xù)巡視視野內(nèi)的其他位置。巡視次數(shù)越多,則對(duì)視野內(nèi)的狀態(tài)了解越全面,從而對(duì)周?chē)沫h(huán)境有一個(gè)全方位的立體認(rèn)知,這有助于人工魚(yú)群做出相應(yīng)的判斷和決策[18]。Pn1,Pn2,Pn3為視野范圍內(nèi)魚(yú)的位置。

圖2 人工魚(yú)的視野域和最大移動(dòng)步長(zhǎng)

位置Pcurr=(p1,p2,…,pn),位置Pvisu=(,,…,),則從Pcurr到達(dá)Pvisu的過(guò)程可以表示為:

其中,rand為區(qū)間[-1,1]內(nèi)的隨機(jī)數(shù)。

人工魚(yú)群算法中用到的參數(shù)如表1所示。

表1 人工魚(yú)群算法輸入輸出參數(shù)

算法偽代碼如下:

輸入N,Visual,Step,trynum,λ,maxgen

輸出 最優(yōu)解

2.2.3 模擬退火算法

模擬退火源于固體加熱至一定溫度呈液態(tài)后,接著再對(duì)其慢慢冷卻、降溫到預(yù)期穩(wěn)定狀態(tài)的過(guò)程。后來(lái)用于解決可以描述為退火過(guò)程的最優(yōu)化問(wèn)題,固體狀態(tài)表示可行的最優(yōu)解,狀態(tài)能量表示解的客觀(guān)函數(shù)值,最小能量值就是問(wèn)題的優(yōu)化解[7]。為了用退火過(guò)程來(lái)解決現(xiàn)有問(wèn)題,給出以下4個(gè)定義:

(1)解決方案:同人工魚(yú)群算法。

(2)適應(yīng)度函數(shù)的定義:同人工魚(yú)群算法。

(3)搜索策略:同人工魚(yú)群算法,但模擬退火中m的每次迭代,鄰域數(shù)ngh的減少遵循下式:

其中,ΔE是當(dāng)前值與新產(chǎn)生的候選解之差。如果ngh＜1,則將ngh置1。

(4)冷卻進(jìn)度表:參考標(biāo)準(zhǔn)幾何學(xué)冷卻規(guī)則,溫度T為:

其中,λ為冷卻率常數(shù),λ＜1。本文中溫度不會(huì)在每次迭代后下降,而是每10次迭代才運(yùn)用此公式一次。

3 人工魚(yú)群算法在基因調(diào)控網(wǎng)絡(luò)中的應(yīng)用

人工魚(yú)群算法是一種新的不同于傳統(tǒng)優(yōu)化模式的問(wèn)題解決辦法,它只使用目標(biāo)函數(shù)值,對(duì)搜索空間具有一定的自適應(yīng)能力,算法對(duì)初值無(wú)要求,系統(tǒng)初始化為一隨機(jī)解,對(duì)各參數(shù)的選擇也不敏感。而對(duì)布爾網(wǎng)絡(luò)的研究,通常是給出節(jié)點(diǎn)的初始化矩陣,然后通過(guò)計(jì)算節(jié)點(diǎn)關(guān)聯(lián)的布爾函數(shù),得出節(jié)點(diǎn)間的相互關(guān)系,這正好與基因調(diào)控網(wǎng)絡(luò)中基因間的激勵(lì)與抑制關(guān)系相對(duì)應(yīng),所以將人工魚(yú)群算法用于研究布爾網(wǎng)絡(luò)構(gòu)建的基因調(diào)控網(wǎng)絡(luò)是可行的。將人工魚(yú)群算法用于花發(fā)育形態(tài)模型,該模型由EMF1,TFL1, LEF,AP1,CAL,LUG,UFO,BFU,AG,AP3,PI和SUP等基因組成[19],這12個(gè)基因即為網(wǎng)絡(luò)中的12個(gè)節(jié)點(diǎn),也就是人工魚(yú)群算法中的魚(yú)群規(guī)模。算法行為如下:

(1)覓食行為

設(shè)人工魚(yú)即花發(fā)育形態(tài)網(wǎng)絡(luò)中的某節(jié)點(diǎn)當(dāng)前狀態(tài)值為Pi,在其感知域中隨機(jī)選擇一個(gè)狀態(tài)Pj,食物濃度用Y表示,在最大值問(wèn)題求解中,若食物濃度Yi＜Yj(最小值問(wèn)題求解中Yi＞Yj,與此類(lèi)似),則向該方向游進(jìn)一步;否則,再重新隨機(jī)選擇狀態(tài)Pj,判斷是否滿(mǎn)足前進(jìn)條件。如此反復(fù)嘗試trynum次后,如果仍不滿(mǎn)足前進(jìn)條件,則隨機(jī)移動(dòng)一步。覓食過(guò)程如圖3所示。

圖3 覓食行為流程

(2)聚群行為

設(shè)人工魚(yú)即花發(fā)育形態(tài)網(wǎng)絡(luò)中的某節(jié)點(diǎn)當(dāng)前狀態(tài)為Pi,搜索當(dāng)前感知域內(nèi)(即Di,j＜Visual)的伙伴數(shù)hf和中心位置Pc,如果Yc/hf＞λYi(λ為擁擠度),說(shuō)明伙伴中心位置的食物濃度較大且不太擁擠,則朝伙伴中心位置方向游進(jìn)一步;否則執(zhí)行覓食行為。聚群過(guò)程如圖4所示。

圖4 聚群行為流程

(3)追尾行為

設(shè)人工魚(yú)即花發(fā)育形態(tài)網(wǎng)絡(luò)中的某節(jié)點(diǎn)當(dāng)前狀態(tài)為Pi,搜索當(dāng)前感知域內(nèi)(即Di,j＜Visual)的伙伴數(shù)hf和這群伙伴中Yj為最大的伙伴Pj,如Yj/hf＞λYi,表明該伙伴Pj的周?chē)惶珦頂D,且具有較高的食物濃度,則朝伙伴Pj游進(jìn)一步;反之執(zhí)行覓食行為。追尾過(guò)程如圖5所示。

圖5 追尾行為流程

(4)隨機(jī)行為

隨機(jī)行為的實(shí)現(xiàn)較為簡(jiǎn)單,就是當(dāng)某人工魚(yú)即花發(fā)育形態(tài)網(wǎng)絡(luò)中的某節(jié)點(diǎn)狀態(tài)在最優(yōu)值附近徘徊時(shí),在視野范圍隨機(jī)選擇一個(gè)狀態(tài),并向該方向游進(jìn),這也就是覓食行為的缺省狀態(tài),即Pi的下一個(gè)位置Pi|next為:

其中,rand為區(qū)間[-1,1]內(nèi)的隨機(jī)數(shù);Visual為感知域范圍。

在算法實(shí)現(xiàn)過(guò)程中,設(shè)立一個(gè)公告板來(lái)記錄最優(yōu)的網(wǎng)絡(luò)節(jié)點(diǎn)狀態(tài)。每次尋優(yōu)后就將節(jié)點(diǎn)自身狀態(tài)與公告板記錄進(jìn)行比較,若優(yōu)于公告板,則將公告板記錄更新為自身狀態(tài)。

4 實(shí)驗(yàn)與結(jié)果分析

布爾網(wǎng)絡(luò)的狀態(tài)分為暫態(tài)和吸引子,吸引子又分為固定吸引子和極限環(huán),本文從吸引子和極限環(huán)2個(gè)方面評(píng)估運(yùn)用人工魚(yú)群算法所研究的GRN的性能,同時(shí)與模擬退火算法在基因調(diào)控網(wǎng)絡(luò)中的應(yīng)用進(jìn)行了比較。

4.1 基于固定吸引子的實(shí)驗(yàn)

本文實(shí)例中,人工魚(yú)群算法用預(yù)定義的固定吸引子來(lái)研究閾值布爾網(wǎng)絡(luò),用到的6個(gè)吸引子數(shù)據(jù)源于文獻(xiàn)[19],分別是(0110 0000 1000,1000 0001 1110,0001 0000 0100,0001 1001 0110,1100 0000 0001,0100 0001 0110)。人工魚(yú)群算法、模擬退火分別運(yùn)行500次并記下每次運(yùn)行記錄以核實(shí)它們是否有能力來(lái)研究6個(gè)固定吸引子。2個(gè)算法的參數(shù)是在多次運(yùn)行后根據(jù)網(wǎng)絡(luò)研究和執(zhí)行時(shí)間的有效性根據(jù)經(jīng)驗(yàn)來(lái)確定的。設(shè)人工魚(yú)群的規(guī)模N=12、每條人工魚(yú)的可視范圍Visual=3、最大步長(zhǎng)Step=1、每次隨機(jī)移動(dòng)可嘗試的最大次數(shù)trynum=5、擁擠度因子λ=0.65,最大迭代次數(shù)maxgen=50,對(duì)于模擬退火,m=1000,ngh=11,λ=0.7,初始溫度T(0)=100。

用于研究閾值布爾網(wǎng)絡(luò)的6個(gè)吸引子實(shí)際由42 bit組成(6個(gè)吸引子×7個(gè)節(jié)點(diǎn))。人工魚(yú)群算法和模擬退火算法運(yùn)行500次后的結(jié)果如圖6所示。從圖6可看出,當(dāng)錯(cuò)誤位數(shù)分別為1,2,3,4,5時(shí),人工魚(yú)群算法發(fā)現(xiàn)網(wǎng)絡(luò)的頻率都明顯比模擬退火算法要低。

圖6 算法運(yùn)行500次后的結(jié)果

4.2 基于極限環(huán)的實(shí)驗(yàn)

當(dāng)一個(gè)運(yùn)行在并行更新模式下的網(wǎng)絡(luò)更新為串行更新模式時(shí),極限環(huán)會(huì)發(fā)生什么變化,極限環(huán)會(huì)保留還是會(huì)破壞,網(wǎng)絡(luò)拓?fù)?入度R)會(huì)影響輸出,為解答以上問(wèn)題,所以,本實(shí)例主要研究網(wǎng)絡(luò)的魯棒性。

給定網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)為6,預(yù)定義的極限環(huán)為p=2, 3,4和5,入度R=1,2,3,4,5和6,式(3)中的候選解輸出采用并行更新模式。對(duì)每一對(duì)(p,R),每個(gè)網(wǎng)絡(luò)都有100個(gè)不同的極限環(huán)被研究,極限環(huán)是隨機(jī)產(chǎn)生且各不相同的常量。然后,當(dāng)此能夠研究極限環(huán)的網(wǎng)絡(luò)更新模式變?yōu)榇袝r(shí)(所有可能狀態(tài)數(shù)為6!=720),能保留極限環(huán)的網(wǎng)絡(luò)就會(huì)被記錄。人工魚(yú)群算法的參數(shù)設(shè)置如前,模擬退火的為:m= 500,ngh=5,λ=0.7,初始溫度T(0)=100。

4.2.1 極限環(huán)為2時(shí)的實(shí)驗(yàn)

圖7為極限環(huán)p=2時(shí)的結(jié)果,P/S表示更新機(jī)制由并行變?yōu)榇袝r(shí)仍能保留極限環(huán)的網(wǎng)絡(luò),從圖7可看出,當(dāng)節(jié)點(diǎn)入度為3和5時(shí),發(fā)現(xiàn)的網(wǎng)絡(luò)才具有保留極限環(huán)的能力。圖8為入度為3時(shí)利用人工魚(yú)群算法得到的布爾網(wǎng)絡(luò),網(wǎng)絡(luò)在并行更新模式下?lián)碛袠O限環(huán)(100101,011010),并且當(dāng)它從并行變?yōu)榇袝r(shí),串行更新順序?yàn)?-3-5-1-2-4。圖9為入度為5時(shí)利用人工魚(yú)群算法得到的布爾網(wǎng)絡(luò),網(wǎng)絡(luò)在并行和串行更新模式下的極限環(huán)為(110010,001101),順序?yàn)?-1-6-5-3-2。

圖7 極限環(huán)p=2時(shí)算法的網(wǎng)絡(luò)發(fā)現(xiàn)頻率

圖8 R=3時(shí)利用人工魚(yú)群算法得到的布爾網(wǎng)絡(luò)

圖9 R=5時(shí)利用人工魚(yú)群算法得到的布爾網(wǎng)絡(luò)

4.2.2 極限環(huán)為3,4,5時(shí)的實(shí)驗(yàn)

為了更進(jìn)一步說(shuō)明人工魚(yú)群算法的優(yōu)越性,以下對(duì)極限環(huán)p=3,4,5時(shí)進(jìn)行了實(shí)驗(yàn),結(jié)果顯示,更新模式由并行變?yōu)榇袝r(shí)沒(méi)有網(wǎng)絡(luò)能保留極限環(huán),結(jié)果如圖10～圖12所示。

圖10 極限環(huán)p=3時(shí)算法發(fā)現(xiàn)網(wǎng)絡(luò)的頻率

圖11 極限環(huán)p=4時(shí)算法的網(wǎng)絡(luò)發(fā)現(xiàn)頻率

圖12 極限環(huán)p=5時(shí)算法的網(wǎng)絡(luò)發(fā)現(xiàn)頻率

綜上,由4.1節(jié)和4.2節(jié)可見(jiàn),人工魚(yú)群算法在利用預(yù)定義吸引子研究閾值布爾網(wǎng)絡(luò)時(shí)要優(yōu)于模擬退火算法。兩者都使用了相同的解決方案、局部搜索策略及適應(yīng)度函數(shù),而人工魚(yú)群算法得到了顯著好的結(jié)果。在4.1節(jié)中,人工魚(yú)群算法得到的平均入度要低于模擬退火,意味著使用人工魚(yú)群算法比模擬退火僅需較少的邊就可以得到更為緊湊的效果。這也表明,利用智能人工魚(yú)群算法搜索解,在每一次迭代中得到的結(jié)果比模擬退火方法在每一次迭代時(shí)僅用一個(gè)候選解要好。

在4.2節(jié)中,P/S網(wǎng)絡(luò)僅出現(xiàn)在p=2時(shí),R=3, 5的情況下,且P/S網(wǎng)絡(luò)的數(shù)量小于網(wǎng)絡(luò)總數(shù)的35%。從圖7、圖10～圖12也可以清楚地看出,隨著p的增大,發(fā)現(xiàn)網(wǎng)絡(luò)的頻率則減小。當(dāng)p＞2,R= 1時(shí),2種算法都很難發(fā)現(xiàn)網(wǎng)絡(luò)。事實(shí)上,當(dāng)p=3時(shí),模擬退火根本不能發(fā)現(xiàn)網(wǎng)絡(luò),而人工魚(yú)群算法也僅發(fā)現(xiàn)了極少的網(wǎng)絡(luò)。

5 結(jié)束語(yǔ)

本文提出利用人工魚(yú)群算法來(lái)研究閾值布爾網(wǎng)絡(luò)模型構(gòu)建的GRN,介紹了魚(yú)群算法在基因調(diào)控網(wǎng)絡(luò)中的應(yīng)用。與模擬退火算法的比較結(jié)果表明,魚(yú)群算法利用群體智能算法研究GRN在網(wǎng)絡(luò)發(fā)現(xiàn)和魯棒性方面具有更好的能力。在以后的研究中,可考慮其他群體智能算法在GRN中的應(yīng)用,或者改進(jìn)魚(yú)群算法,因?yàn)槿斯~(yú)在可見(jiàn)鄰域內(nèi)如果搜索不到比自身狀態(tài)更優(yōu)的人工魚(yú)個(gè)體,則說(shuō)明它達(dá)到了局部最優(yōu)值。在覓食行為中,人工魚(yú)會(huì)選擇隨機(jī)移動(dòng)。隨機(jī)移動(dòng)的步長(zhǎng)大小對(duì)最優(yōu)值的穩(wěn)定有很大的影響;太大可能會(huì)導(dǎo)致人工魚(yú)個(gè)體在最優(yōu)值的附近徘徊,不利于結(jié)果的收斂與穩(wěn)定。為此,可考慮引入隨機(jī)移動(dòng)因子來(lái)減慢隨機(jī)移動(dòng)速度,以得到更快更優(yōu)的算法。

[1] Kauffman S A.Metabolic Stability and Epigenesist in Randomly Constructed Genetic Nets[J].Journal of Theoretical Biology,1969,22(3):437-467.

[2] Shmulevich I,Dougherty E R.Probabilistic Boolean Networks:The Modeling and Control of Gene Regulatory Networks[M].Philadelphia,USA:SIAMSociety for Industrial and Applied Mathematics,2009.

[3] Steggles L J,Banks R,WipatA.Modelling and Analyzing Genetic Networks:From Boolean Networks to Petri Nets[C]//Proc.of CMSB’06.[S.1.]:IEEE Press,2006:127-141.

[4] Yu J,Smith V A,Wang P P,et al.Advances to Bayesian Network Inference for Generating Causal Networks from Observational Biological Data[J].Bioinformatics,2004, 20(1):3594-3603.

[5] Lee W,Yang K.Applying IntelligentComputing Techniques to Modeling BiologicalNetworksfrom Expression Data[J].Genomics,Proteomics & Bioinformatics,2006,6(2):111-120.

[6] EricGoles G R.LearningGeneRegulatory Networks Using the Bees Algorithm[J].Neural Comput&Applic, 2013,22(1):63-70.

[7] Kirkpatrick S,Gelatt C D,Vecchi M P.Optimization by Simulated Annealing[J].Science,1983,220(4598): 671-680.

[8] Liu G,Feng W,Wang H,et al.Reconstruction of Gene Regulatory Networks Based on Two-stage Bayesian Network Structure Learning Algorithm[J].Journal of Bionic Engineering,2009,6(1):86-92.

[9] Tomshine J,Kaznessis Y N.Optimization of Astochastically Simulated Gene Network Model via Simulate Dannealing [J].Biophys Journal,2006,91(1):3196-3205.

[10] Ruz G A,Goles E.Learning Gene Regulatory Networks with Predefined AttractorsforSequentialUpdating Schemes Using Simulated Annealing[C]//Proceedings of the 9th IEEE International Conference on Machine Learning and Applications.[S.1.]:IEEE Press,2010: 889-894.

[11] 李曉磊.一種新型的智能優(yōu)化算法——人工魚(yú)群算法[D].杭州:浙江大學(xué),2003.

[12] 馬 炫,劉 慶.基于人工魚(yú)群算法的多播樹(shù)演化尋優(yōu)[J].通信學(xué)報(bào),2012,33(9):1-7.

[13] 王興偉,秦培玉,黃 敏.基于人工魚(yú)群的ABC支持型QoS單播路由機(jī)制[J].計(jì)算機(jī)學(xué)報(bào),2010,33(4): 718-725.

[14] 劉 佳,劉麗娜,李 靖,等.基于模擬退火算法的改進(jìn)人工魚(yú)群算法研究[J].計(jì)算機(jī)仿真,2011,28(10): 195-198.

[15] 曲良東,何登旭.混合變異算子的人工魚(yú)群算法[J].計(jì)算機(jī)工程與應(yīng)用,2008,44(35):50-52.

[16] 劉 白,周永權(quán).基于遺傳算法的人工魚(yú)群優(yōu)化算法[J].計(jì)算機(jī)工程與設(shè)計(jì),2008,29(22):5827-5829.

[17] 王向紅,王 欣,劉莉莉,等.布爾網(wǎng)絡(luò)動(dòng)態(tài)行為研究[J].浙江師范大學(xué)學(xué)報(bào):自然科學(xué)版,2012,35(1): 47-52.

[18] 王宗利,劉希玉,王文平.一種改進(jìn)的人工魚(yú)群算法[J].信息技術(shù)與信息化,2010,(3):46-49.

[19] Mendoza L,Alvarez-BuyllaE R.Dynamicsofthe Genetic Regulatory Network for Arabidopsis Thaliana Flower Morphogenesis[J].JournalofTheoretical Biology,1998,193(2):307-319.

編輯 索書(shū)志

Research on Application of Artificial Fish Swarm Algorithm in Gene Regulatory Network

TIAN Wang-lan,LI Jia-sheng
(College of Communication and Electronic Engineering,Hunan City University,Yiyang 413000,China)

Based on the analysis of the advantages and disadvantages of the current appliance of swarm intelligence algorithm into Gene Regulatory Network(GRN),this paper studies the gene regulatory network constructed under Boolean network model using Artificial Fish Swarm Algorithm(AFSA).Especially,the comprehensive network of predefined attractors and limit cycle is formulated by applying Boolean network model into flower growth morphogenesis. After comparing AFSA with Simulated Annealing(SA)and analyzing the ability of the networks to preserve the attractors when the updating schemes is changed from parallel to sequential,the paper finds the network has robustness within the limit cycle length equal to two and specific network topologies.Experimental results show that the intelligence algorithm outperforms simulated annealing in network discovery and robustness.Therefore,it is feasible to learn Boolean network using AFSA.

Artificial Fish Swarm Algorithm(AFSA);Simulated Annealing(SA)algorithm;Boolean network;

1000-3428(2014)10-0204-06

A

TP18

10.3969/j.issn.1000-3428.2014.10.038

湖南省科技計(jì)劃基金資助項(xiàng)目(2012FJ3025)。

田旺蘭(1977-),女,講師、碩士,主研方向:網(wǎng)絡(luò)通信;李加升,教授。

2014-03-20

2014-06-20E-mail:angletw@sohu.com

中文引用格式:田旺蘭,李加升.人工魚(yú)群算法在基因調(diào)控網(wǎng)絡(luò)中的應(yīng)用研究[J].計(jì)算機(jī)工程,2014,40(10):204-209.

英文引用格式:Tian Wanglan,Li Jiasheng.Research on Application of Artificial Fish Swarm Algorithm in Gene Regulatory Network[J].Computer Engineering,2014,40(10):204-209.

attractor;limit circle;flower growth morphogenesis model