[发明专利]基于混沌和混合高斯变异改进引力搜索算法的DNA序列优化方法

说明书

本发明属于DNA计算中编码设计领域，涉及群体智能优化算法和DNA编码，具体是基于混沌和混合高斯变异改进引力搜索算法的DNA序列优化方法。所述方法首先在D维搜索空间生成全部的DNA序列作为初始种群，再用基于混沌和混合高斯变异的引力搜索算法对初始种群进行寻优，通过不断的循环迭代最终可得优化问题的最优解；引力搜索算法需要计算每个个体不同方向上的总合力，然后根据总合力计算个体的加速度，根据加速度来更新每个个体的速度以及位置，如此循环，当算法达到最大迭代次数，算法搜索停止，最终构造出质量较优的DNA序列编码。本发明方法可以搜索出满足多个约束条件的最优DNA编码序列。

技术领域

本发明属于DNA计算中编码设计领域，涉及群体智能优化算法和DNA编码，具体是基于混沌和混合高斯变异改进引力搜索算法的DNA序列优化方法。

背景技术

1994年，美国南加州大学的阿德尔曼教授提出用DNA分子进行计算的一种新的计算模式。在这种新的计算模式当中DNA分子被作为信息存储的单元并且分子之间的生化反应代表计算操作的过程。在这种背景下，沃森-克里克碱基互补配对原则是最重要的反应之一，因为这一反应能够成功地检索存储在DNA分子中的信息。然而必须保证在实际的生化反应过程中，编码每一个信息元的DNA分子能够被唯一识别，因为不期望的反应通常会导致不正确的计算。因此设计质量较高的DNA序列非常重要，这样能够确保集合中的DNA序列仅仅只与其互补的序列杂交。DNA序列优化问题，本质上属于多目标优化问题，需要不断探索新的算法优化DNA序列。

引力搜索算法是由E.Rashedi等人于2009年提出的元启发式优化算法，该算法的本质是模拟自然界中最常见的万有引力现象，将万有引力现象演化成随机搜索最优解的过程。引力搜索算法拥有很强的全局搜索能力，优于其它智能优化算法。

引力搜素算法将所有粒子当作有质量的物体，能够做无阻力运动。每个粒子会受到解空间中其它粒子的万有引力的影响，并产生加速度向质量更大的粒子运动。由于粒子的质量和粒子的适应度值有关，适应度值大的粒子质量也会更大，因此质量小的粒子在朝向质量大的粒子趋近的过程中逐渐逼近优化问题中的最优解。引力搜索算法与其它群智能优化算法不同之处在于粒子不需要通过环境因素来感知环境中的情况，而是通过个体之间的万有引力的相互作用来实现优化信息的共享，因此，在没有环境因素的影响下，粒子也能感知全局的情况，从而对环境开展搜索。

发明内容

本发明提供一种基于混沌和混合高斯变异的改进引力搜索算法的DNA序列优化方法，该方法可以搜索出满足多个约束条件的最优DNA编码序列。

为实现上述发明目的，本发明的技术方案为：

基于混沌和混合高斯变异改进引力搜索算法的DNA序列优化方法，所述方法将标准引力搜索算法的引力常数的公式做了改进，在算法的位置更新上加入混沌扰动和混合高斯变异，具体包括以下步骤：

步骤1：生成初始种群，初始化算法需要的参数，设置种群规模、迭代次数、以及所有粒子的初始化位置和速度；

步骤2：根据具体的目标函数计算每个粒子的适应度值；

步骤3：将得到的适应度值进行排序求出最优适应度和最差适应度值，然后用这两个适应度值计算每个粒子的质量，再将所有粒子质量相加求和，用每个粒子的质量比质量和即可得到每个个体的惯性质量；

步骤4：在D维空间上，计算每个个体所受来自其它所有的个体作用力的总和；

步骤5：利用步骤4得到的个体作用力的总和，根据牛顿第二定律，计算每个个体的加速度；

步骤6：用粒子的加速度更新个体的位置和速度，用混沌映射对位置进行扰动，再用混合高斯进行变异操做；

步骤7：返回步骤2循环迭代，直到达到最大循环次数；

步骤8：结束循环，输出结果。