一、推广的模拟退火算法在分子对接中的应用（论文文献综述）
李超[1]（2021）在《粒子群优化算法改进策略及其应用研究》文中研究说明群体智能算法是一类启发式搜索算法的统称,其优化机理不过分依赖于算法的组织结构信息,可以广泛的应用到函数的组合优化和计算中,特别是在解决一些目标函数非线形、非凸或不可微的优化问题时展现出了良好的搜索性能。而群体智能算法中的粒子群优化（Particle Swarm Optimization,PSO）算法由于其易于实现且收敛速度较快的特性,被认为是解决许多实际应用问题的优秀候选算法,已被广泛应用到与人工智能相关的各种科研工作和工业生产应用中。然而,包括PSO算法在内的群体智能算法在解决诸如蛋白质-小分子对接这类复杂优化问题时,往往存在着难以摆脱局部最优、所求解精度不够、计算速度不够快等缺陷。因此,如何针对群体智能算法、特别是PSO算法及其变种算法设计改进策略,使这类算法在解决复杂优化问题时的求解质量和求解效率得到进一步提高,是目前该领域的研究热点。随机漂移粒子群优化（Random Drift Particle Swarm Optimization,RDPSO）算法是PSO算法的变种版本,该算法已被证明有着比大多数PSO变种算法更优秀的搜索性能,而且,RDPSO算法还具有算法框架简单、参数较少、易于实施的特点。因此,本文选择了RDPSO算法为重点研究对象,以RDPSO算法为基础设计了一系列改进策略,有效提高了RDPSO算法解决复杂优化问题时的性能和效率。基于本文所提出的各种策略的算法改进版本还被用于解决蛋白质-小分子对接这一复杂优化问题,取得了不错的效果,有效提高了分子对接软件的对接准确率和对接效率。此外,部分改进策略还被推广到了其他PSO变种算法中,具备一定的泛用性。本文的具体研究内容如下:（1）对群体智能算法的多样性度量方式进行了分析。本文首先对两类种群多样性度量方式进行了讨论,通过实验确定了其中的基于平均点距离的基因型多样性度量方式更适用于分析群体智能算法的收敛程度。进而,本文还对基于平均点距离的多样性度量方式进行了改进,提出了归一化的多样性度量方式,解决了基于平均点距离的多样性度量方式的原始定义无法适用于各个维度量纲不同的问题。（2）针对RDPSO算法设计了二阶段多样性引导策略。本文对经典的吸引-排斥多样性引导策略进行了分析,明确了其存在可能长时间停留在排斥阶段、无法适用于部分多峰问题等缺陷。针对这些问题,本文对吸引-排斥多样性引导策略进行了一系列改进,针对RDPSO算法设计了随迭代次数下降的多样性下界、参数控制的排斥阶段和吸引阶段的加速收敛操作,形成了二阶段多样性引导策略。实验表明,二阶段多样性引导策略能够有效解决吸引-排斥策略的上述缺陷,但在那些吸引-排斥策略能够发挥作用的多峰问题上不如吸引-排斥策略有效。总体上,相比于吸引-排斥策略,二阶段多样性引导策略能够帮助RDPSO算法在大部分多峰问题上获得更好的搜索性能。（3）针对RDPSO算法设计了多样性协同引导策略。由于上述二阶段多样性引导策略仍然存在参数设置复杂、对于部分问题算法收敛速度较慢、部分设置不甚合理等问题,本文通过引入个体最优位置的种群多样性,设计了一种两类种群多样性协同作用的多样性引导策略。本文通过实验证明了在多样性协同引导策略中设置各个阶段的必要性和各个阶段的有效性,也证明了在解决多峰问题时,相比于二阶段多样性引导策略,多样性协同引导策略能够更有效地提升RDPSO算法的搜索性能,特别是算法的鲁棒性,以及对算法全局搜索能力和局部搜索能力的平衡性。（4）设计了适用于PSO算法框架的通用多样性协同引导策略。由于多样性协同引导策略的基本框架可以推广到其他具有粒子群算法框架的算法中,因此本文通过引入虚拟吸引子的概念来引导种群执行不同的搜索行为,从而避免了基于RDPSO算法的多样性协同引导策略中不同阶段的参数设置问题,成功设计了适用于PSO算法框架的通用多样性协同引导策略。通用多样性协同引导策略的另一个优势是其各个阶段虚拟吸引子的位置设置都和问题每个维度的搜索范围相关,这使得通用多样性协同引导策略对于不同大小的搜索范围具备良好的适应性。通过实验,本文验证了通用多样性协同引导策略确实能够有效提升具有PSO框架的算法在解决大部分多峰问题时的性能和鲁棒性。（5）针对RDPSO算法设计了多种群并行策略。为了使RDPSO算法的搜索过程能够被并行化执行,本文还提出了一种新的多种群并行策略框架。该多种群并行策略将整个种群均匀的分为多个子种群,并为每个子种群分配了特征分量,算法每隔一定的迭代次数就通过交换特征分量实现子种群间的信息交互,如此就实现了整个算法的搜索过程以子种群为单位的完全并行化执行。实验结果表明了基于多种群并行策略的RDPSO算法能够获得比经典版本的RDPSO算法和基于经典岛屿模型的RDPSO算法更好的搜索结果,证明了多种群并行策略在算法性能提升方面的有效性。（6）将基于上述策略的RDPSO算法与局部搜索算法相结合,有效提高了分子对接的精度和效率。本文还将基于上述提出的多种多样性引导策略和多种群并行策略的多个RDPSO版本分别与伪Solis&Wets局部搜索算法相结合,用于解决普通的蛋白质-小分子对接问题和盲对接问题。根据分子对接的实验结果,本文得出了以下一系列重要结论:基于多样性协同引导策略的混合算法能够在普通对接问题上获得最好的结合能结果和对接准确率;得益于通用多样性协同引导策略对不同搜索范围的良好适应性,基于通用多样性协同引导策略的混合算法则能够同时在普通对接和盲对接上都获得优异的分子对接性能,而且其在盲对接上的对接准确率要远优于其他参与对比的对接方法;基于多种群并行策略的混合算法则对局部搜索算法的实施方式也进行了改进,使整个混合算法都能够以子种群个数为单位完全并行化,从而使算法能够在保证普通对接精度的前提下显着提升分子对接的执行效率。综上,本文以PSO算法的变种版本RDPSO算法为基础,提出了一系列新的多样性引导策略和多种群并行策略,显着提高了RDPSO算法乃至其他粒子群算法在解决复杂优化问题时的性能和效率。同时,本文还对基于这些策略的RDPSO算法进行了进一步改进,为蛋白质-小分子对接问题提供了高精度、高效率的解决方案。因此,本文的研究内容具备一定的学术价值和应用推广价值。
陈轩[2]（2021）在《新型RNA-配体对接预测工具的开发及测试》文中研究指明医疗药物研发是一个长期、高投入、高风险的过程,加快药物研发速度、降低资金投入成本、提高研发成功率具有十分重要的意义。RNA作为一种核糖核酸,不仅是生命系统重要的遗传物质,也是许多重大疾病的重要生物学靶标。在药物研发初始利用分子对接工具进行高通量筛选,从而确定药物先导化合物,能为药物设计提供具有指导性的计算数据。因此,研究针对RNA-配体的对接工具具有巨大的科学价值和实用价值。本文以RNA-配体对接构象搜索为研究的科学问题,以提高分子对接精度为出发点,提出了一种高效率的、高对接精度的对接构象空间搜索算法。将RNA-配体对接定义为一个问题维数与配体分子可转动键数量相关的优化问题,优化问题的目标函数定义为最小化对接构象结合能,优化问题的约束条件定义为配体分子原子间的成键情况,利用人工蜂群算法来求解该高维优化问题。人工蜂群算法有着极其广泛的应用,但存在着收敛速度较慢、过早陷入局部最优的缺点。本文在传统人工蜂群算法的基础上,改进引领蜂和跟随蜂的随机蜜源搜索策略,引领蜂改用自适应非线性搜索策略的全局最优子空间蜜源更新方式,跟随蜂改用随机非线性更新维度的局部最优子空间搜索策略,从而提出了基于最优子空间自适应搜索的人工蜂群算法。在对接实验过程中,将基于半经验的势能评估方法作为RNA与配体结合能量的打分函数,指引优化算法的构象优化搜索方向。本文主要以FIPSDock为研究基础,并在FIPSDock的框架基础上加以扩展,将提出的最优子空间搜索人工蜂群算法EPSABC引入到FIPSDock中,从而实现了面向RNA-小分子配体的对接工具EPSDock。在相同实验环境条件下,在多个开源RNA-配体复合物结构数据集上,与广泛使用的Auto Dock 4、Auto Dock Vina、r Dock、Glide、FIPSDock对接工具进行了对比测试,其中EPSDock的对接成功率达到84%。实验结果表明,对于RNA-配体类型的高维度、高灵活性的分子对接难题,EPSDock表现出了较高的对接成功率和对接准确度,也进一步验证了本研究工作所提出的基于最优子空间自适应搜索的人工蜂群算法的有效性、稳定性以及准确性。
王明雪[3]（2021）在《基于遗传模拟退火的电网企业物资配送路径优化》文中认为随着经济的不断发展,物流业增加值在国民经济中的占比不断提高,成为促进我国经济发展的支柱产业。物资配送是物流业的重要组成部分,包含了物流很多的功能要素,主要包括配送物资存储、配送路线选择、运输车辆调度等。物资配送作为一个高能耗物资运输活动,对环境影响较大,在运转过程中会排放大量的温室气体。近年来,国家对环境保护的重视程度不断提高,低碳理念不断推广,低能耗物流配送,低碳物流配送成为物流业发展的主流。国家电网公司作为世界五百强企业,不断加强对电网物资配送的规范化。物资配送路线规划作为电网物资配送路线管理的重要环节,不仅关系着电网企业的物流成本,还会影响电网企业运作效率。我国碳市场电网企业约1700家,涉及量达到每年的平均二氧化碳排放总量和年均碳排放量约30亿吨,对电网企业物资配送的进行优化,在提高电网运行效率,保障物流配送及时性,缩减配送成本的同时,还能够减少碳排放,为其他企业在低碳领域起到带头作用。基于此,本文首先对物资配送、车辆路径优化等理论进行阐述,通过对国内外物资路径优化问题的发展现状、电网企业的物资管理模式的参考文献进行了总结和梳理,提出了电网企业物资配送路径优化的思路。其次,考虑到电网物资配送时效的重要性,结合当前低碳形式,将碳排放成本、时间惩罚成本加入到路径优化中,构建地市级电网物资配送优化模型。最后对在研究遗传算法和模拟退火相关理论的基础上,对两者进行取长补短,并将节约里程算法生成初始解、大邻域搜索算法进行局部搜索两个过程加入到遗传模拟退火算法中,并对T市电网企业物资配送路径进行了优化求解。研究结果表明本文提出的遗传模拟退火算法在搜索中的优越性明显高于其他两个模型,进而在扩大解的范围过程,避免了陷入局部最优解以及迭代次数过长的困扰,寻得最优解。这将促进电网的发展,并为电网企业物资配送路径选择提供建设性参考。
李海啸[4]（2021）在《面向智能工厂的无线传感器网络定位技术研究》文中认为随着传感技术、无线通信技术、嵌入式技术、分布式处理技术和微电子技术等快速发展和成熟,无线传感器网络应运而生并广泛应用在智慧医疗、智能交通、军事侦查、智能家居、绿色环保、智能工业等领域。无线传感器网络由大量传感器节点组成,形成一个自组织、可扩展、点到点通信、多跳传输的无线网络,通过环境感知、信息融合和数据传输,将大量感知信息传递给观测者。在无线传感器网络的众多应用中,感知信息不仅仅包括感知数据,还应包括感知数据所在的具体位置信息,没有具体位置信息的感知数据是毫无意义的,因此节点定位技术是无线传感器网络的重要的、基础性的技术之一。而以无线传感器网络为主体的泛在感知计算网络是智能工厂的重要感知和监测基础。在智能工厂中,决策者或智能分析系统能够准确分析当前情况和决策采取下一步有效措施的重要依据是需要感知、采集大量的环境、人员、设备和能源等重要参数信息。大部分感知信息都是位置相关的,所以在智能工厂中,对自动引导小车的定位和轨迹追踪、对内部人员或外来人员的定位、对监测区域特征参数或事件的定位都离不开无线传感器网络定位技术。根据监测对象的数量和性质以及采用定位技术的不同,无线传感器网络定位算法主要分为:静态定位和动态定位、基于测距定位和基于非测距定位、单目标定位和多目标定位。此外定位技术还应满足定位时间和定位精度的要求。通过对国内外大量关于无线传感器网络定位技术相关文献的研究,掌握了当前备受大家认可的无线传感器网络定位技术,对无线传感器网络在智能工厂的不同应用领域中如何提高定位精度、减小定位时间、如何改善算法鲁棒性等方面进行研究。本文主要的研究内容和改进如下:（1）基于非测距的距离矢量—跳段（Distance Vector-Hop,DV-Hop）定位算法的研究。针对DV-Hop定位算法定位误差大的问题,本文提出了基于一般误差向量修正和基于模糊聚类的误差向量修正的DV-Hop定位算法。改进算法根据无线传感器网络拓扑结构（节点单一区域分布和节点分区域分布）构建相似度函数,利用锚节点与未知节点的最小跳数得到节点间的相似度值,再利用预设的相似度阈值选择与未知节点相似度达到一定条件的锚节点组成锚节点集合,对集合中的锚节点进行重定位得到锚节点的位置估计值,根据锚节点的真实位置和估计位置依据仿射空间原理得到每个锚节点的定位误差向量或修正向量,最后利用多个锚节点的误差向量或修正向量加权平均得到未知节点的定位误差向量或修正向量,进一步优化未知节点的估计位置。实验表明,改进算法能有效提高无线传感器网络不同网络拓扑下DV-Hop非测距定位算法的定位精度。（2）基于测距的三边加权质心定位算法的研究。针对基于RSSI测距的定位算法的定位精度受信号噪声和环境干扰较大的问题,对基于RSSI测距定位算法进行了三个方面的改进:首先,针对传统三边加权质心定位算法锚节点的选择不当导致定位误差大的问题,提出了双集合组合法寻找满足一定条件的三个锚节点用于三边定位。其次,针对RSSI测距容易受到环境噪声和设备脉冲信号的小概率大干扰事件影响造成RSSI测距精准度低的问题,提出了结合量子粒子群优化的模糊C均值聚类过滤算法以消除基于RSSI测距的小概率大干扰事件,再利用假设检验方法检验过滤后的RSSI三元组的准确性。最后,提出参考点加权质心定位算法解决了传统三边加权质心算法在噪声和脉冲干扰下定位成功率不高且误差较大的问题。实验通过CC2530传输模块和Tiny OS2开发平台验证了改进的三边加权质心定位算法的有效性。（3）针对移动无线传感器网络的蒙特卡罗定位盒子算法的研究。蒙特卡罗定位盒子算法是一种基于锚节点信息限制的蒙特卡罗样本抽样定位算法,可用于智能工厂中对移动目标的定位和跟踪。为解决蒙特卡罗盒子定位算法的采样效率低、迭代次数多、样本退化、采样随机性的问题,本文在传统蒙特卡罗定盒子定位算法的采样阶段,根据灰色系统预测理论增加了灰色模型预测采样功能,将在样本盒子中随机采样过程改进为根据前期的样本位置进行灰色模型预测采样,使预测样本与未知节点当前的真实位置更接近,因此采样预测更具有目的性、针对性和方向性,提高了采样效率,减少了迭代次数。实验仿真表明,改进算法能够有效防止随着时间段的增加而采样样本退化,显着提高智能工厂移动目标的定位精度,减少定位响应时间。（4）基于压缩感知的稀疏多目标定位算法研究。针对传统基于压缩感知多目标定位算法感知矩阵维数大、计算复杂度高、网格边长难以细化等问题,本文提出了基于压缩感知的两阶段多目标定位算法。在大规模定位阶段,将监测区域依据部署的传感器进行Voronoi图划分,将多目标确定在每个子区域中,并在所有子区域中进行贪婪匹配追踪算法重构目标稀疏位置向量,得到包含目标的候选网格。在精细定位阶段,对选出的候选网格依据网格最小边长定理进行细化,对每个子区域中候选网格组成的本地区域内采用1-稀疏度位置向量贪婪匹配重构算法得到目标所在的细化网格,并以细化网格作为目标的最终位置。基于压缩感知的两阶段多目标定位算法既提高了的定位精度,也减小了稀疏重构感知矩阵的维数,降低了算法复杂度,减小了定位响应时间。最后通过实验仿真验证了改进算法的效果,可以用于对智能工厂监测区域的稀疏多目标进行有效定位。（5）基于多维标度的协作式多目标定位算法研究。为解决无线传感网络多维标度定位精度容易受最短路径估计距离误差影响的问题,改善多维标度定位算法的初始估计位置,提出一种基于模拟退火优化的无线传感器网络多维标度定位算法。首先利用RSSI接受信号强度测距并建立距离矩阵,使用多维标度方法和锚节点信息得到节点的初始估计绝对坐标,再利用测距信息和节点的权重系数构造模拟退火优化算法的胁强系数,通过模拟退火优化算法良好的全局搜索能力不断迭代优化求解节点的最优位置。通过实验仿真验证了基于模拟退火优化的多维标度定位算法即使在C型网络和测距噪声存在的情况下也能够具有较低的平均定位误差和较高的网络覆盖率,而且非常适于应用在智能工厂基站数量少的环境。本文系统地研究了无线传感器网络基于测距定位和基于非测距定位、静态定位和动态定位、单目标定位和多目标定位的相关技术,提出了5种创新和改进方案,并通过大量的实验验证了所提算法的有效性和可行性。实验结果表明,本文所提的5种定位方案是无线传感器网络定位技术的重要创新和改进,可以应用在智能工厂无线传感器网络多个定位领域,有非常重要的现实意义和应用价值。
陈雅茹[5]（2021）在《GSA构造蛋白-共价配体结合模式采样空间》文中提出蛋白配体结合构象是基于结构药物设计所需的关键信息,可通过晶体结构解析、核磁共振、分子对接等实验和理论手段获得。但晶体结构等实验手段往往意味着昂贵的费用和极低的成功率,而利用现代分子模拟技术预测蛋白配体结合模式是对实验手段的重要补充。其中分子对接是最常用的一种理论方法,可以快速预测药物在蛋白结合位点中的结合模式。但是现有的分子对接方法预测蛋白配体结合模式精度有限,错误率可达50%左右,这其中结合模式采样的不完备占了很大的比例。尤其值得一提的是可用于共价药物的分子对接工具极为有限且结果不甚理想。近年来共价药物因其与靶标形成共价键具有高效性和作用时间长等特点,对于某些疾病的治疗效果显着,受到越来越多的关注。共价药物在药物市场中占据越来越重要的地位,对可靠的计算机辅助共价药物设计方法的需求与日俱增,与现有方法的不足形成了鲜明对比。理论预测蛋白配体结合构象主要依靠蛋白配体的空间匹配和能量匹配,分别对应分子对接算法中的构象搜索方法和打分函数。分子对接的误差,尤其是在共价药物上令人失望的表现,有相当程度是因为计算中根本没有搜索到“正确的构象”,无从谈起如何将“正确的构象”排到前列。本文运用广义模拟退火算法（GSA）对共价与非共价蛋白配体结合模式进行高效搜索,构建丰富多样的结合构象空间,并通过在不同的测试集上进行了大规模测试以系统考察该方案的可行性和普适性。本文主要研究工作包括:首先针对GSA方法共价结合模式采样能力,本文在含405个蛋白配体复合物的COVDOX测试集上进行了大规模测试。测试结果表明,GSA方法采样成功率可达86%（总构象采样集合包含至少一个好构象的概率）,并且其表现基本不随共价子弹头和残基变化而变化,表明GSA方法进行构象搜索是可行的并且有较好的普适性。经与基于量子化学的蛋白配体结合模式计算方法DOX联合测试,进一步发现GSA所得构象集经半经验量子化学PM7优化筛选后得到的前十个构象至少包含一个好构象的概率高达91%;再经过高精度XO计算TOP POSE预测成功率为80%。已有的文献报道,目前主流共价软件在不同测试集上表现有较大波动,成功率均不到60%。而GSA方法在各类抑制剂上的表现都远远优于现有的共价对接工具,充分说明本文所用方法具有显着优势。其次针对GSA方法非共价结合模式采样能力,本文利用CASF2016测试集进行了系统性测试。该测试集包含57个不同的蛋白靶标,共285个抑制剂分子。该测试集不仅有着多样的药效团和丰富的抑制剂结构并且数据量庞大,测试结果可靠。测试结果表明GSA方法采样成功率可达88%,如果与Surflex分子对接联用,相互弥补,总采样成功率更高达98%。综上所述,GSA方法用于构建共价与非共价的结合采样空间都有较好的表现,完备的采样空间是分子对接中至关重要的一环,为预测准确的结合构象打下坚实的基础。如果与高精度结合能评价方法联用将会是非常有应用前景的预测蛋白配体结合构象新方法。
张文艺[6]（2020）在《低精度蛋白质与小配体分子对接算法研究》文中提出蛋白质作为生命活动的重要载体,依靠复杂的空间结构完成生命过程,实现多种生物功能。蛋白质通过与其他分子间相互作用实现信号传导、细胞调控、免疫应答等重要生物途径。随着计算技术的提升,分子对接方法已成为研究蛋白质与配体之间相互作用的重要计算模拟方法。二十世纪九十年代,分子对接计算模拟方法应运而生,在环境工程、药物设计,虚拟筛选等领域起到指导生物实验的关键作用。分子对接属于基于结构的计算模拟方法,通常需要提供蛋白质受体与配体的相互结合位点,以及受体和配体的结构。实验手段测定相互结合位点往往费时费力,且对于非实验背景的研究人员更为困难。此外,目前尽管已知的蛋白质序列高达1.5亿,但是实验解析的结构仅有15万。该数据差异表明提供高精度蛋白质结构不能保证,这也约束了分子对接算法的应用和发展。针对以上两个亟待解决的问题,本文基于副本交换蒙特卡洛采样开发了新的分子对接算法,目标为实现低精度（预测的）受体结构的盲对接问题,即不需要提供结合位点和高精度蛋白质结构,实现配体与受体之间的对接过程。本文的主要研究工作如下:（1）基于集成学习ATP位点预测算法和基于模板打分函数。三磷酸腺苷（ATP）是一种高能磷酸化合物,是生物体内最直接的能量来源,同时ATP位点与潜在靶点药物开发等有着紧密联系。由于ATP位点预测存在正负样本不平衡问题,使得ATP位点预测精度不高。本文基于EasyEnsemble和BalanceCascade集成学习方法开发了ATP位点预测算法。实验结果表明集成学习可以有效的解决ATP结合位点中样本不平衡问题。此外,本文基于结合位点预测算法COACH,设计了基于模板打分函数,并将该打分能量项加入到本文分子对接算法的打分函数中。实验结果表明基于模板打分函数能够有效约束采样空间,提高采样效率。（2）刚性对接算法。本文的主要目标是实现低精度蛋白质结构的分子盲对接问题,因此,本文基于副本交换蒙特卡洛开发了分子对接算法。该算法结合COACH预测结合位点,实现了盲对接。本文使用I-TASSER预测器,构建了低精度蛋白质结构数据集,训练本文对接算法。实验结果表明无论在高精度蛋白质结构或者低精度蛋白质结构中,COACH算法预测准确度高达75%以上。此外,如果预测结合位点中心距离真实配体中心小于8?,本文对接算法最终的预测结果在高精度结构中的平均RMSD为2.03?,在低精度结构中平均RMSD为4.86?。对比结果表明采用预测结合位点手段可以实现分子盲对接。在刚性对接算法训练过程中,针对受体分别为高精度（真实）结构和低精度（预测）结构,应用不同的训练模型。其中,如果受体结构为真实结构,打分函数包含范德华相互作用力和静电相互作用力,并且权重为1。如果受体结构为预测结构,由于局部结构不同程度的破坏,打分函数中增加了预测绑定口袋距离约束项和基于模板的能量项。并且在五次并行副本交换蒙特卡洛寻优过程中,采用五种不同的权重参数组合。实验结果表明,由于能量项中包含配体模板在真实结构中的距离约束,副本交换蒙特卡洛算法采样均匀且充分,最优解的选取方式合理,最终本文算法在低精度蛋白质结构对接效果明显优于AutoDock Vina和DOCK6。（3）基于经验的柔性对接算法。由于柔性对接更能表现蛋白质与配体的相互作用关系,因此,本文在刚性对接的基础上开发了基于经验的柔性对接算法。该算法统计了BioLiP数据库中配体单键的二面角分布,将配体分子内部的范德华相互作用力和单键二面角统计能量项加入打分函数中。此外,增加了配体柔性采样,以保证配体初始结构的合理性。通过与AutoDock Vina和DOCK6的比较,实验结果表明在低精度和高精度结构中,基于经验的柔性对接算法具有较优的对接构象预测结果。本文同时开发了在线服务器（https://zhanglab.ccmb.med.umich.edu/EDock/）,该服务器还包含了测试集和独立程序包的下载功能。（4）配体空间聚类算法。实验结果表明低精度结构中的打分函数与构象RMSD之间的皮尔森相关系数较低,因此,采用打分函数选取构象最优解,往往容易陷入局部最优,导致最终的预测精度不高。因此针对低精度结构分子对接,本文开发了配体空间聚类算法SPICKER,用来选取低精度蛋白质对接中的最优解。与XSCORE排序,打分函数排序对比结果表明本文利用空间聚类算法SPICKER在低精度蛋白质对接中平均RMSD最低。
姜雯[7]（2020）在《基于改进粒子群算法的SVM参数优化及应用》文中研究指明支持向量机（SVM）是一种基于统计学习理论的机器学习方法。由于SVM在解决小样本、高维度以及非线性等问题上有着独特的优势,被广泛应用于人脸识别、文本分类以及图像处理等领域。当使用SVM处理分类问题时,SVM参数的选取对分类结果产生很大的影响,因此优化SVM参数是应用SVM的主要研究方向。粒子群算法（PSO）具有算法简单,容易实现以及收敛速度快等优点,近年来被很多学者用来优化SVM参数。但是,粒子群算法存在着早熟收敛、易陷入局部最优以及分类精度低等缺点。针对这些问题,本文重点研究基于改进粒子群算法的SVM参数优化问题。论文的具体工作如下:（1）采用了一种自适应粒子群算法（WPSO）。本文采用自适应权重代替原始的惯性权重,将每个粒子的权重根据其适应度值的大小进行动态调整,从而平衡粒子的全局最优能力和局部最优能力;在自适应权重的基础上,采用自适应变异优化粒子群算法,赋予部分粒子一定的变异概率,将部分粒子的群体极值进行变异,从而增强种群多样性。（2）采用了一种引入模拟退火机制的粒子群算法（SAPSO）。在速度更新公式中,对粒子的自身认知部分和社会认知部分进行动态调整。将当前粒子的适应度值与群体极值进行比较,若当前粒子优于群体最优,则接受当前粒子为群体最优;反之,则根据轮盘赌策略,以一定的概率接受当前粒子为群体最优,使得粒子能够跳出局部最优解,达到全局最优。（3）基于改进的粒子群算法建立SVM分类模型,即得到自适应粒子群算法优化的SVM（WPSO-SVM）与引入模拟退火机制的粒子群算法优化的SVM（SAPSO-SVM）。本文将WPSO-SVM算法和SAPSO-SVM算法应用于遥感图像分类,选取江苏科技大学遥感图像以及Pavia U遥感数据集作为实验数据,分别使用SVM算法、GA-SVM算法、ACO-SVM算法、PSO-SVM算法与所提出的WPSO-SVM算法和SAPSO-SVM算法进行实验,利用分类混淆矩阵、总体分类精度以及Kappa系数对遥感图像的分类精度进行比较分析。实验结果表明,WPSO-SVM算法和SAPSO-SVM算法更容易提取地物特征,提高了遥感图像的分类精度。
何万里[8]（2019）在《期权定价模型构建与参数估计研究 ——基于深度学习、集成学习和智能优化算法》文中指出期权是全球资本市场最具活力的金融风险管理工具之一。如何测算期权的合理价格是其存在与健康发展的关键。1997年诺贝尔经济学奖授予了期权定价公式的发明人Scholes和Merton,体现了经济学界对期权定价理论价值的充分肯定。B-S模型问世以来,在学术界和实务界引起了强烈反响。在广泛应用的同时,学者对其准确性开展了深入的检验,并通过大量的实证研究发现,市场并非满足理想中的基本假设。不少经济学家对原有数理金融理论进行重新审视,对模型中存在的问题亦发表了不同的看法,从完善与发展B-S模型的角度出发,进行了很多扩展研究。对B-S模型的改进成为最近30年来数理金融研究领域关注的热点。其成果极大的丰富和发展了期权定价理论与方法,但同时仍存在一些不足。本文通过查阅文献,发现已有研究尚存在以下四点不足:（1）在参数估计方面,由于改进的期权定价模型通常含有多个待估参数,且目标函数含有大量的极值点,给参数估计带来了困难。现有研究主要采用极大似然算法来估计期权定价模型参数,但是该方法存在很多难以解决的问题;（2）有关高频量化交易下期权定价模型参数估计方法的研究工作十分匮乏;（3）局部波动率模型大多是依靠主观经验将时间与资产价格作为影响因子对波动率进行建模。虽然这些模型很容易解释,可是在精度上往往偏离了实际情况,何种形式是合理的,尚无理论依据,导致模型的鲁棒性较差,对异常波动的刻画能力较弱;（4）无论是波动率模型还是跳跃扩散模型在形式上通常是单个模型,对波动率“微笑”的刻画能力不足,导致对深度实值和深度虚值期权的定价往往出现较大偏差,出现定价不稳定现象。要解决这些问题,就一定离不开坚实和先进的数理方法,而深度学习、集成学习和智能优化算法的特征和强大性能可以对这些问题的研究提供支持。因此,本文基于深度学习、集成学习和智能优化算法,从参数估计和模型构建两个方面讨论了期权定价问题。本文主要做了两个方面的研究工作。第一部分,期权定价模型参数估计研究:针对中低频量化交易,设计首位存放式遗传算法估计Heston期权定价模型参数;针对高频量化交易,用前面设计的遗传算法积累历史实例求解信息,设计了一种基于卷积神经网络的两阶段启发式算法估计模型参数。第二部分,期权定价模型构建研究:为提高模型定价的稳定性,基于集成学习,以第一部分中研究得到的Heston模型作为基学习器,构建了组合期权定价模型;为提高模型的鲁棒性,运用深层波耳兹曼机和支持向量机,构建了以结构风险最小化为目标的确定性波动率函数模型。整个研究循序渐进进行,中低频量化交易下期权定价模型参数估计方法是高频交易下参数估计方法的前提,同时第一部分对现有模型参数估计方法的研究又是第二部分构建新模型的基础,为建模提供了基学习器和参数估计方法。具体研究成果及核心内容如下:期权定价模型参数估计研究部分:（1）根据期权中低频量化交易需求,设计了首位存放式遗传算法估计Heston期权定价模型参数。该算法具有避免丢失最优解和并行搜索的特点,有很好的概率跳出局部极小值,以概率1收敛到全局最小值。计算实验中,利用香港恒生股票指数期权的交易数据为样本得到待估参数,并用该参数对预测期的看涨期权和看跌期权进行了模拟定价。数值结果与进化过程表明,算法耗时满足中低频量化交易策略的实时性要求、在训练样本数据集上的定价精度较高、在预测期上的模拟定价精度令人满意,一定程度上克服了传统算法的不足。（2）根据期权高频量化交易需求,给出了一种基于卷积神经网络的两阶段启发式算法估计期权定价模型参数。算法核心思想是:以前面设计的遗传算法在训练实例上积累历史信息,基于卷积神经网络对其进行学习和泛化,并利用对新实例的泛化结果引导PSO算法求解新实例。计算实验中,以Heston模型为例,采用50ETF期权1分钟高频交易数据,数值结果表明:①本文设计的卷积神经网络可以较好地完成对9支主力合约的离线学习,训练数据集上的平均相对误差为24%。若采用传统的神经网络,误差巨大且不收敛;②本文算法可以充分利用历史数据信息来高效求解新实例,在卷积神经网络的引导下PSO算法优化阶段用时8秒左右即可达到收敛,满足高频量化交易的实时性要求;③基于所得参数的模型定价与实际价格具有较高的一致性,拟合程度令人满意。算法具有可行性和有效性。期权定价模型构建研究部分:（3）为提升模型定价的稳定性,基于集成学习构建组合期权定价模型,提高模型对深度实值和深度虚值期权的定价精度。本文将Heston模型作为基学习器,利用Adaboost算法训练一系列基学习器,并将它们集成。将模型参数估计分解为主模型参数估计和子模型参数估计,基于推举算法思想和前面设计的遗传算法分别给出了估计算法。通过计算平均相对误差和稳定性偏差（本文将模型定价的稳定性偏差定义为:最大相对误差与平均相对误差的差值）,对比分析了组合模型与单个模型的定价能力。隔月和当月到期合约的两组计算实验结果表明,与传统Heston模型相比,组合期权定价模型在保持平均相对误差基本一致的同时,稳定性偏差分别降低了 64%和49%,可使所有执行价格的期权定价均达到预设的稳定性标准。该研究丰富了期权定价的研究方法,延拓了集成学习的应用边界。（4）为提升模型的鲁棒性和辨别复杂规律能力,本文运用深层玻耳兹曼机,自动、科学、有效地提取波动率的影响因子,基此利用支持向量机构建了以结构风险最小化为目标的确定性波动率函数模型,并将该模型的求解转化为非线性规划仅有线性约束问题。算例结果表明,本文对影响因子的提取使支持向量机模型,在50ETF期权历史波动率训练样本上的平均绝对误差降低了 70.86%,平均相对误差降低了 77.89%,一定程度上解决了传统方法中手工设计影响因子,忽略模型置信范围等问题,提高了模型刻画异常波动的能力。
刘颖南[9]（2019）在《分子动理论优化方法及其在风电场阵列布局应用研究》文中研究表明分子动理论优化算法是一种拟物理规律优化算法,是以物理学中的分子热运动为理论基础,通过模拟分子间吸引排斥运动的计算智能技术。针对该算法存在的优缺点,已设计出多种策略以提高算法性能,如:精英协同进化策略、融合记忆机制和引入结晶原理等。得益于分子动理论优化算法理论基础的日渐丰富和完善,本文构建了风电场阵列布局的单、多目标优化模型,将所改进的算法应用于现实应用中,以高效求解风电场阵列布局方案。本文主要工作如下:（1）详细分析了分子动理论优化算法与其它算法的联系与区别,研究了本文所用算法的特色与潜力。探究了分子动理论优化算法的拓扑结构与群集现象,针对算法存在的优缺点,引入社会学中的弱连接理论以改进算法的拓扑结构,然后通过多子群协同进化策略和混沌扰动方法提高算法逃出局部最优能力,改进后的算法在单、多模态函数和偏移函数上都有较好的优化效果,特别是偏移函数的测试结果说明了改进后的算法能很好地克服原始算法拓扑结构的固有缺陷。（2）为使分子动理论优化算法能够解决多目标优化问题,提出基于分解和支配准则的多目标分子动理论优化算法。通过改进算法的拓扑结构巧妙地解决了算法更新公式中最优个体无法适应多目标优化的问题,构建基于分解的最优个体选择策略,接着利用支配准则使算法不断地迭代进化,从而使分解与支配准则优势互补。此算法很好地保留了原始算法的进化机制,在DTLZ和ZDT函数测试集上的测试结果表明了该算法能够很好地解决多目标优化问题。（3）对风电场阵列布局问题进行数学建模,构建基于尾流效应的风电场布局单、多目标函数。通过对连续的单目标函数进行离散化,使得风电场阵列布局优化问题的求解难度下降,然后使用改进后的单目标分子动理论优化算法进行求解。为了能够得到风电场阵列布局更多的较优方案,并使决策者兼顾风电场的功率输出和效率,设计了一种两目标的风电场阵列布局优化模型。该模型舍弃了基于坐标的风电场建模方法,采用更灵活的基于网格的风电场模型,然后将所提出的双准则多目标分子动理论优化算法用于求解多目标风电场阵列布局优化问题。
王宏瑞[10]（2018）在《蛋白质-小分子柔性对接采样算法的研究》文中认为理解蛋白质与配体的相互作用对于新药的研发至关重要。研究蛋白质-小分子（Protein-Ligand,P-L）对接的目的在于通过已知配体小分子和目标蛋白质3D结构来预测和评估其复合物的3D构象。随着已解析蛋白质单体结构的数量不断增加,促使运用计算方法预测P-L对接后复合物高精度3D构象成为药物发现过程中的关键环节。相对于传统的刚性对接,P-L柔性对接具有采样空间巨大的特点。因此,本文在对P-L柔性对接关键技术分析基础之上,侧重于柔性对接关键技术重要组成部分的采样算法展开了如下研究:1、分析了P-L柔性对接过程中的关键技术问题。提出P-L柔性对接过程中构象空间采样和候选复合体判别打分两个中心问题,并把这两个中心问题进一步细分为Protein的柔性、Ligand的准备、构象空间的采样方法、打分函数、对复合物对接结果的重打分与后期处理等子问题,着重强调了采样算法在整个P-L柔性对接过程中的重要性。2、在Rosetta平台上应用集合对接协议。对传统Rosetta Ligand协议使用集合对接的方法进行扩展。通过联合几何距离约束（geometric distance constraints,GDC）和重新优化重组受体侧链（repacking receptor side-chain,RRSC）的方法生成和选择有代表性结构作为对接模板。实验结果表明,使用集合对接协议对于那些传统方法不能过获得满意预测结果的目标,能够产生和识别出更多正确的复合物构象。3、基于传统Rosetta Ligand协议使用副本交换蒙特卡罗（replica exchange Monte Carlo,REMC）增强采样算法进行扩展。通过引入多目标优化帕累托（Pareto）边沿信息,选择非绝对占有优势低能量构象集合中最具代表性的结构作为交换的副本,有效地调整副本交换的策略,促使传统REMC算法快速收敛到较低能量状态。通过对蒙特卡罗（Monte Carlo,MC）、REMC、多目标REMC（multi-objective optimizationREMC,MO-REMC）和混合MO-REMC（hybrid MO-REMC,HMO-REMC）四种采样算法的预测结果进行深度分析后表明。本文提出的MO-REMC和HMO-REMC增强采样算法在Rosetta Ligand协议中表现出高效的性能,在基于绑定能评估的柔性对接结构预测中有着令人印象深刻的准确性。4、对传统Rosetta Ligand协议使用自适应温度REMC（adaptive temperature REMC,AT-REMC）算法进行扩展。AT-REMC算法使用相邻链之间平均接受率信息作为衡量指标及时调整传统REMC算法运行过程中的温度参数,促使REMC采样算法能够在不断迭代过程中以较快的速度平稳收敛。本文还对MC、自适应温度MC（adaptive temperature MC,AT-MC）、REMC以及AT-REMC四种采样算法生成的预测结果进行性能分析。实验结果表明,AT-REMC采样算法能够在迭代过程中不断地调整相应的温度参数,在P-L柔性对接过程中能够明显提高预测构象的精度,加快采样收敛的速度。本文的贡献主要体现在以下四个方面:首先,相对于刚性对接,提出了在P-L柔性对接关键技术中构象空间采样和候选复合体判别打分两个中心问题,并把这两个问题进一步细分为多个切实可行的子问题逐一加以解决。其次,从Protein的柔性表达出发,使用GDC和RRSC方法分别生成和选择有代表性结构作为初始构象对接模板,对传统Rosetta Ligand协议使用集合对接的方法进行扩展。第三,从P-L柔性对接构象空间的采样方法入手,原创性地提出MO-REMC和HMO-REMC增强采样算法,极大地提高了现有协议构象空间的采样效率。最后,使用AT-REMC采样算法对原有Rosetta Ligand柔性对接协议进行扩展。实验结果表明,这些手段和方法对P-L柔性对接过程中复合物的成功预测起到了有益的推进作用,对后续相关研究具有重要的参考价值。
二、推广的模拟退火算法在分子对接中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、推广的模拟退火算法在分子对接中的应用（论文提纲范文）
（1）粒子群优化算法改进策略及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 群体智能算法及其改进策略研究 |
| 1.2.2 分子对接中的群体智能算法研究 |
| 1.2.3 存在的问题 |
| 1.3 研究目的和内容 |
| 1.4 论文的组织架构 |
| 1.5 本章小结 |
| 第二章 算法基础 |
| 2.1 PSO 算法与RDPSO 算法 |
| 2.1.1 PSO算法 |
| 2.1.2 RDPSO算法 |
| 2.2 多样性引导策略 |
| 2.2.1 多样性分析的度量方式 |
| 2.2.2 两种多样性度量方式的比较 |
| 2.2.3 归一化种群多样性 |
| 2.2.4 常见的多样性引导策略 |
| 2.3 多种群策略 |
| 2.4 本章小结 |
| 第三章 基于二阶段多样性引导策略的RDPSO算法 |
| 3.1 AR策略的缺陷 |
| 3.2 2PDG策略和2PDG-RDPSO算法 |
| 3.2.1 2PDG策略框架 |
| 3.2.2 多样性值的上下界 |
| 3.2.3 吸引阶段和加速收敛操作 |
| 3.2.4 排斥阶段 |
| 3.2.5 2PDG-RDPSO算法 |
| 3.3 实验相关设置和评价指标 |
| 3.4 2PDG策略的参数选择 |
| 3.5 2PDG策略相关分析 |
| 3.6 算法性能对比 |
| 3.7 本章小结 |
| 第四章 多样性协同引导的RDPSO算法 |
| 4.1 DCG策略的设计思路 |
| 4.2 DCG策略和DCG-RDPSO算法 |
| 4.2.1 DCG策略的整体框架 |
| 4.2.2 个体最优种群多样性的基准线 |
| 4.2.3 全局搜索阶段 |
| 4.2.4 发散阶段 |
| 4.2.5 加速收敛阶段 |
| 4.2.6 DCG-RDPSO算法 |
| 4.3 实验相关设置 |
| 4.4 DCG策略的参数选择 |
| 4.5 DCG策略相关分析 |
| 4.6 算法性能对比 |
| 4.7 本章小结 |
| 第五章 面向粒子群的通用多样性协同引导策略 |
| 5.1 GDCG策略的设计思路 |
| 5.2 GDCG策略和GDCG-*SO算法 |
| 5.2.1 GDCG策略基本框架 |
| 5.2.2 发散阶段 |
| 5.2.3 加速收敛阶段 |
| 5.2.4 普通搜索阶段 |
| 5.2.5 GDCG-*SO算法 |
| 5.3 实验相关设置 |
| 5.4 GDCG策略相关分析 |
| 5.4.1 GDCG 策略与DCG 策略的比较 |
| 5.4.2 GDCG策略在PSO 算法和RDPSO 算法上的效果对比 |
| 5.4.3 使用 GDCG 策略和不使用 GDCG 策略的算法多样性对比 |
| 5.5 GDCG-*SO算法性能分析 |
| 5.6 基于三种多样性引导策略的RDPSO算法对比 |
| 5.7 本章小结 |
| 第六章 基于多种群并行策略的RDPSO算法 |
| 6.1 MSP策略的设计思路 |
| 6.2 MSP策略和MSP-RDPSO算法 |
| 6.2.1 MSP策略和特征交换法 |
| 6.2.2 MSP-RDPSO算法 |
| 6.3 实验相关设置 |
| 6.4 MSP-RDPSO算法的参数选择 |
| 6.4.1 参数取值讨论 |
| 6.4.2 参数取值讨论 |
| 6.5 参数对MSP-RDPSO算法性能的影响 |
| 6.6 MSP策略对算法性能的提升效果分析 |
| 6.7 本章小结 |
| 第七章 分子对接应用研究 |
| 7.1 蛋白质-小分子对接问题 |
| 7.2 ~*L-RDPSO算法 |
| 7.2.1 PSW局部搜索算法 |
| 7.2.2 基于多样性引导策略的PSW算法 |
| 7.2.3 2PDGL-RDPSO 算法、DCGL-RDPSO 算法和GDCGL-RDPSO 算法 |
| 7.2.4 MSPL-RDPSO算法及其两种运行模式 |
| 7.3 实验相关设置及评价指标 |
| 7.3.1 测试数据集 |
| 7.3.2 对比算法、对比软件及参数设置 |
| 7.3.3 实验评价指标 |
| 7.4 普通对接实验相关分析 |
| 7.4.1 结合能相关分析 |
| 7.4.2 RMSD相关分析 |
| 7.4.3 对接时间相关分析 |
| 7.5 盲对接实验相关分析 |
| 7.5.1 能量值相关分析 |
| 7.5.2 RMSD相关分析 |
| 7.5.3 GDCGL-RDPSO算法在普通对接和盲对接上的结果对比 |
| 7.6 本章小结 |
| 主要结论与展望 |
| 主要结论 |
| 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读博士学位期间发表的论文 |
（2）新型RNA-配体对接预测工具的开发及测试（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的目的与意义 |
| 1.2 相关研究发展现状 |
| 1.3 本研究工作的主要内容 |
| 1.4 全文组织结构 |
| 2 RNA-配体对接的相关研究 |
| 2.1 引言 |
| 2.2 RNA-配体对接的结合形式 |
| 2.3 RNA-配体对接的工具 |
| 2.3.1 Auto Dock4 对接工具 |
| 2.3.2 Auto Dock Vina对接工具 |
| 2.3.3 Glide对接工具 |
| 2.3.4 r Dock对接工具 |
| 2.3.5 FIPSDock对接工具 |
| 2.4 RNA-配体对接的能量打分函数 |
| 2.5 RNA-配体对接的构象搜索算法 |
| 2.6 本章小结 |
| 3 基于最优子空间学习的人工蜂群算法 |
| 3.1 引言 |
| 3.2 人工蜂群算法简介 |
| 3.2.1 基于个体互学习的人工蜂群算法 |
| 3.2.2 基于全局最优个体自适应的人工蜂群算法 |
| 3.2.3 可变搜索策略的人工蜂群算法 |
| 3.2.4 全局最佳引导的人工蜂群算法 |
| 3.3 基于最优子空间自适应学习的人工蜂群算法 |
| 3.3.1 子空间邻居 |
| 3.3.2 全局最优学习规则 |
| 3.3.3 自适应非线性搜索策略 |
| 3.3.4 EPSABC算法实现 |
| 3.3.5 算法性能分析 |
| 3.4 本章小结 |
| 4 EPSDock对接工具的开发与测试 |
| 4.1 引言 |
| 4.2 RNA-配体对接问题的表述 |
| 4.3 EPSDock对接测试流程 |
| 4.4 实验平台与超参数 |
| 4.5 测试用数据集 |
| 4.6 实验结果及分析 |
| 4.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间取得科研成果情况 |
| 致谢 |
（3）基于遗传模拟退火的电网企业物资配送路径优化（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 物资配送研究现状 |
| 1.3.2 低碳物资配送研究现状 |
| 1.4 本文主要研究内容及创新点 |
| 1.4.1 本文主要研究内容 |
| 1.4.2 本文创新点 |
| 第2章 相关理论研究 |
| 2.1 物资配送概述 |
| 2.3 车辆路径问题概述 |
| 2.3.1 车辆路径问题分类 |
| 2.3.2 车辆路径优化方法 |
| 2.4 本章小结 |
| 第3章 电网企业物资配送分析及模型建立 |
| 3.1 电网企业物资配送及问题分析 |
| 3.1.1 电网企业物资配送分析 |
| 3.1.2 电网企业物资配送问题分析 |
| 3.2 电网企业物资配送模型构建 |
| 3.2.1 电网企业物资配送综合成本分析 |
| 3.2.2 电网企业物资配送模型建立 |
| 3.3 本章总结 |
| 第4章 遗传模拟退火算法改进 |
| 4.1 基本遗传算法以及模拟退火算法 |
| 4.1.1 遗传算法 |
| 4.1.2 模拟退火算法 |
| 4.2 遗传模拟退火算法改进 |
| 4.3 本章小结 |
| 第5章 案例分析 |
| 5.1 T市电网企业物资配送案例描述 |
| 5.2 T市电网企业物资配送模型构建 |
| 5.2.1 具体步骤 |
| 5.2.2 参数设定 |
| 5.3 T市电网企业物资配送优化求解 |
| 5.4 T市电网物资配送建议 |
| 5.5 本章小结 |
| 第六章 研究成果与结论 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间发表的论文及其他成果 |
| 致谢 |
（4）面向智能工厂的无线传感器网络定位技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文研究背景 |
| 1.1.1 智能工厂概述 |
| 1.1.2 智能工厂实时定位系统 |
| 1.2 无线传感器网络技术 |
| 1.2.1 无线传感器网络概述 |
| 1.2.2 无线传感器网络组成 |
| 1.2.3 无线传感器网络特点 |
| 1.3 无线传感器网络定位技术 |
| 1.3.1 无线传感器网络定位原理 |
| 1.3.2 无线传感器网络定位种类 |
| 1.3.3 测距和非测距定位技术 |
| 1.3.4 无线传感器网络定位算法的性能指标 |
| 1.4 本文的研究内容及结构安排 |
| 1.4.1 研究内容及意义 |
| 1.4.2 本文的组织结构 |
| 第2章 基于非测距的DV-Hop定位算法研究 |
| 2.1 引言 |
| 2.2 基于非测距的定位算法 |
| 2.2.1 非测距定位算法原理 |
| 2.2.2 常见非测距定位算法 |
| 2.2.3 DV-Hop定位算法的相关研究 |
| 2.3 DV-Hop定位算法原理 |
| 2.4 DV-Hop定位算法的误差来源 |
| 2.4.1 网络结构原因 |
| 2.4.2 定位算法原因 |
| 2.4.3 信号传输原因 |
| 2.5 仿射空间原理 |
| 2.6 基于误差向量修正的DV-Hop定位算法 |
| 2.6.1 建立锚节点信息列表 |
| 2.6.2 修正锚节点的选择策略 |
| 2.6.3 修正初始估计位置 |
| 2.6.4 基于误差向量修正的DV-Hop定位算法流程 |
| 2.6.5 基于模糊聚类误差向量修正的DV-Hop定位算法流程 |
| 2.6.6 两种改进的DV-Hop定位算法分析 |
| 2.7 实验分析 |
| 2.7.1 实验环境设置 |
| 2.7.2 实验结果分析 |
| 2.8 本章总结 |
| 第3章 基于测距的三边加权质心定位算法研究 |
| 3.1 引言 |
| 3.2 基于测距的无线传感器网络定位算法 |
| 3.3 三边加权质心定位算法 |
| 3.3.1 基于RSSI测距的定位原理 |
| 3.3.2 三边加权质心定位算法原理 |
| 3.4 量子粒子群优化算法 |
| 3.5 模糊C均值聚类算法 |
| 3.6 改进的三边加权质心定位算法 |
| 3.6.1 双集合组合法 |
| 3.6.2 利用模糊C均值聚类法计算RSSI准确值 |
| 3.6.3 参考点加权质心定位算法 |
| 3.7 实验分析 |
| 3.7.1 实验环境设置 |
| 3.7.2 实验结果分析 |
| 3.8 本章总结 |
| 第4章 基于灰色模型预测的蒙特卡罗盒子定位算法研究 |
| 4.1 引言 |
| 4.2 移动无线传感器网络 |
| 4.2.1 移动无线传感器网络概述 |
| 4.2.2 移动无线传感器网络在智能工厂的应用 |
| 4.2.3 移动无线传感器网络定位 |
| 4.3 动态定位算法和静态定位算法的比较 |
| 4.4 移动无线传感器网络定位算法的研究 |
| 4.5 动态定位算法的特点 |
| 4.6 灰色模型预测原理 |
| 4.7 蒙特卡罗定位和蒙特卡罗定位盒子原理 |
| 4.7.1 蒙特卡罗定位算法 |
| 4.7.2 蒙特卡罗定位盒子算法 |
| 4.8 基于灰色模型预测的蒙特卡罗定位盒子算法 |
| 4.8.1 GMMCB定位算法原理 |
| 4.8.2 GMMCB定位算法流程 |
| 4.9 实验分析 |
| 4.9.1 实验环境设置 |
| 4.9.2 实验结果分析 |
| 4.10 本章总结 |
| 第5章 基于压缩感知的多目标定位算法研究 |
| 5.1 引言 |
| 5.2 无线传感器网络稀疏多目标非协作式定位 |
| 5.3 压缩感知技术原理 |
| 5.3.1 压缩感知技术 |
| 5.3.2 稀疏信号表达 |
| 5.3.3 稀疏信号采样 |
| 5.3.4 稀疏信号重构 |
| 5.4 压缩感知技术的应用 |
| 5.5 基于压缩感知的定位研究 |
| 5.6 基于压缩感知的定位原理 |
| 5.6.1 基于压缩感知的定位模型 |
| 5.6.2 信号传播衰减测距模型 |
| 5.7 基于压缩感知的两阶段定位算法 |
| 5.7.1 大尺度定位阶段 |
| 5.7.2 精细化定位阶段 |
| 5.8 实验分析 |
| 5.8.1 实验环境设置 |
| 5.8.2 实验结果分析 |
| 5.9 本章总结 |
| 第6章 基于模拟退火优化的多维标度定位算法研究 |
| 6.1 引言 |
| 6.2 无线传感器网络少基站多目标协作式定位 |
| 6.3 多维标度定位算法及相关研究 |
| 6.3.1 多维标度定位相关研究 |
| 6.3.2 信号强度距离衰减模型 |
| 6.3.3 多维标度定位原理 |
| 6.3.4 MDS-MAP定位误差分析 |
| 6.4 模拟退火优化算法 |
| 6.5 基于模拟退火优化的多维标度定位算法 |
| 6.5.1 改进定位算法原理 |
| 6.5.2 改进定位算法流程 |
| 6.6 实验分析 |
| 6.6.1 实验环境设置 |
| 6.6.2 实验结果分析 |
| 6.7 本章总结 |
| 第7章 总结和展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（5）GSA构造蛋白-共价配体结合模式采样空间（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 蛋白配体结合构象的研究意义 |
| 1.2 非共价分子对接软件的表现 |
| 1.3 共价分子对接 |
| 1.3.1 共价药物的概述 |
| 1.3.2 主流共价分子对接软件 |
| 1.4 新型高精度量子化学预测方法:DOX |
| 1.5 配体构象采样空间的搜索方法 |
| 1.5.1 系统搜索算法 |
| 1.5.2 随机搜索算法 |
| 1.5.3 分子动力学模拟 |
| 1.6 广义模拟退火算法(GSA) |
| 1.7 本文的研究策略和意义 |
| 第二章 GSA方法构建共价结合采样空间 |
| 2.1 COVDOX测试集的构建 |
| 2.2 GSA方法构建的采样空间 |
| 2.2.1 计算步骤 |
| 2.2.2 结果讨论 |
| 2.3 本章小结 |
| 第三章 基于GSA采样空间的共价结合模式预测 |
| 3.1 COVDOX方法的简介 |
| 3.2 COVDOX方法在COVDOX测试集上的测试 |
| 3.2.1 计算步骤 |
| 3.2.2 结果讨论 |
| 3.3 本章小结 |
| 第四章 GSA方法构建非共价结合构象的采样空间 |
| 4.1 CASF2016数据集的简介 |
| 4.2 GSA方法构建的采样空间 |
| 4.2.1 计算步骤 |
| 4.2.2 结果讨论 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 致谢 |
（6）低精度蛋白质与小配体分子对接算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 分子对接问题概述 |
| 1.2 分子对接应用 |
| 1.2.1 分子对接在环境工程中的应用 |
| 1.2.2 分子对接在虚拟筛选中的应用 |
| 1.2.3 分子对接在药物设计中的应用 |
| 1.3 本文研究内容和目标 |
| 1.4 本文章节安排 |
| 第二章 分子对接算法概述 |
| 2.1 分子对接算法分类 |
| 2.1.1 配体刚性对接 |
| 2.1.2 配体柔性对接 |
| 2.1.3 受体柔性对接 |
| 2.2 分子对接算法核心研究内容 |
| 2.2.1 打分函数 |
| 2.2.2 分子构象搜索算法 |
| 2.3 常用算法介绍 |
| 2.3.1 DOCK |
| 2.3.2 AutoDock |
| 2.3.3 GOLD |
| 2.3.4 Glide |
| 2.3.5 FlexX |
| 2.4 蛋白质三级结构预测算法I-TASSER |
| 2.5 蛋白结构比对算法TM-align和配体结构比对算法LS-align |
| 2.6 本章总结 |
| 第三章 结合位点预测和基于模板打分函数设计 |
| 3.1 基于集成学习ATP位点预测 |
| 3.2 结合位点预测算法COACH |
| 3.3 基于模板打分函数 |
| 3.4 目标配体与模板配体结构比对分析 |
| 3.5 本章总结 |
| 第四章 基于副本交换蒙特卡洛刚性分子对接算法 |
| 4.1 算法框架 |
| 4.1.1 对接口袋离散化 |
| 4.1.2 初始构象选择 |
| 4.1.3 打分函数 |
| 4.1.4 副本交换蒙特卡洛采样算法 |
| 4.2 对比方法和评价标准 |
| 4.3 数据集 |
| 4.3.1 高精度蛋白质数据集 |
| 4.3.2 低精度蛋白质数据集 |
| 4.4 高精度蛋白质结构实验结果分析 |
| 4.4.1 初始结构中能量阈值的选择 |
| 4.4.2 举例说明不同温度下能量变化情况 |
| 4.4.3 真实结合位点实验结果分析与比较 |
| 4.4.4 预测结合位点实验结果分析与比较 |
| 4.5 低精度蛋白质结构实验结果分析 |
| 4.5.1 基于模板打分函数对接结果比较 |
| 4.5.2 不同范德华相互作用力权重的比较 |
| 4.5.3 本文算法EDock与 Auto Dock Vina、DOCK6、BSP-SLIM结果比较 |
| 4.5.4 口袋相似性讨论 |
| 4.6 本章总结 |
| 第五章 基于经验的柔性分子对接算法 |
| 5.1 算法框架 |
| 5.1.1 蛋白质小分子数据库BioLiP统计分析 |
| 5.1.2 基于统计的打分函数 |
| 5.1.3 配体柔性采样 |
| 5.2 数据集 |
| 5.3 高精度蛋白质对接结果分析 |
| 5.4 低精度蛋白质对接结果分析 |
| 5.5 配体真实、同源、随机三种数据集比较 |
| 5.6 在线服务器设计与实现 |
| 5.6.1 前台设计 |
| 5.6.2 用户提交数据处理 |
| 5.6.3 对接结果输出 |
| 5.7 本章总结 |
| 第六章 配体构象空间聚类算法 |
| 6.1 算法框架 |
| 6.2 构象RMSD与 XSCORE得分相关性讨论 |
| 6.3 打分函数排序、XSCORE排序、SPICKER聚类结果比较 |
| 6.4 本章总结 |
| 第七章 总结与展望 |
| 参考文献 |
| 致谢 |
| 在学期间公开发表论文及着作情况 |
（7）基于改进粒子群算法的SVM参数优化及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及课题意义 |
| 1.2 支持向量机研究现状 |
| 1.3 粒子群算法研究现状 |
| 1.4 研究内容 |
| 1.5 组织结构 |
| 第2章 支持向量机理论及分析 |
| 2.1 统计学习理论 |
| 2.1.1 机器学习问题与方法 |
| 2.1.2 统计学习基础 |
| 2.1.3 分类与准确率 |
| 2.2 支持向量机 |
| 2.2.1 支持向量机基本理论 |
| 2.2.2 支持向量机分类 |
| 2.2.3 核函数理论 |
| 2.3 支持向量机参数及作用 |
| 2.4 LIBSVM工具箱 |
| 2.5 本章小结 |
| 第3章 支持向量机参数优化算法 |
| 3.1 遗传算法 |
| 3.1.1 遗传算法基本原理 |
| 3.1.2 遗传算法的优缺点 |
| 3.1.3 遗传算法优化SVM参数 |
| 3.2 蚁群算法 |
| 3.2.1 蚁群算法基本原理 |
| 3.2.2 蚁群算法的优缺点 |
| 3.2.3 蚁群算法优化SVM参数 |
| 3.3 粒子群算法 |
| 3.3.1 粒子群算法基本原理 |
| 3.3.2 粒子群算法的优缺点 |
| 3.3.3 粒子群算法优化SVM参数 |
| 3.4 本章小结 |
| 第4章 改进粒子群算法优化SVM参数 |
| 4.1 引言 |
| 4.2 自适应粒子群算法优化SVM参数 |
| 4.2.1 自适应粒子群算法 |
| 4.2.2 WPSO-SVM算法流程 |
| 4.3 引入模拟退火机制的粒子群算法优化SVM参数 |
| 4.3.1 引入模拟退火机制的粒子群算法 |
| 4.3.2 SAPSO-SVM算法流程 |
| 4.4 算法验证 |
| 4.4.1 交叉验证法 |
| 4.4.2 适应度函数 |
| 4.4.3 数据归一化 |
| 4.4.4 实验数据及参数 |
| 4.4.5 实验过程 |
| 4.4.6 实验结果及分析 |
| 4.5 本章小结 |
| 第5章 基于改进粒子群算法的SVM遥感图像分类 |
| 5.1 遥感图像分类流程 |
| 5.2 实验环境及参数设置 |
| 5.3 江苏科技大学遥感图像实验 |
| 5.3.1 样本选取 |
| 5.3.2 实验过程及分析 |
| 5.3.3 实验结论 |
| 5.4 Pavia U遥感数据集实验 |
| 5.4.1 样本选取 |
| 5.4.2 实验过程及分析 |
| 5.4.3 实验结论 |
| 5.5 本章小结 |
| 总结与展望 |
| 工作总结 |
| 工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
| 详细摘要 |
（8）期权定价模型构建与参数估计研究 ——基于深度学习、集成学习和智能优化算法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究内容 |
| 1.3 研究的技术路线与方法 |
| 1.4 研究创新点 |
| 第2章 国内外研究综述 |
| 2.1 Black-Scholes模型的提出与面临的问题 |
| 2.2 常见波动率建模方式和主要结论 |
| 2.3 随机波动率模型综述与分析 |
| 2.3.1 一些着名的随机波动率模型 |
| 2.3.2 随机波动率模型面临的问题 |
| 2.4 局部波动率模型综述与分析 |
| 2.4.1 一些着名的局部波动率模型 |
| 2.4.2 局部波动率模型面临的问题与解决思路 |
| 2.5 现有模型在形式上存在的不足与解决思路 |
| 2.6 期权定价模型参数估计方法综述与分析 |
| 2.6.1 常见的期权定价模型参数估计方法 |
| 2.6.2 现有参数估计方法存在的不足与解决思路 |
| 2.7 深度学习、集成学习和智能优化算法在金融领域中的应用 |
| 2.8 本章小结 |
| 第3章 中低频量化交易下期权定价模型参数估计研究——用遗传算法估计Heston模型参数 |
| 3.1 引言 |
| 3.2 估计Heston模型参数的一些现有方法评析 |
| 3.2.1 Heston模型与主要结果 |
| 3.2.2 参数估计方法分析 |
| 3.3 估计Heston模型参数的遗传算法设计 |
| 3.3.1 遗传算法 |
| 3.3.2 算法主要环节设计 |
| 3.3.3 Heston模型参数估计的遗传算法流程 |
| 3.4 计算实验与结果分析 |
| 3.4.1 样本数据构成 |
| 3.4.2 算例分析 |
| 3.5 本章小结 |
| 第4章 高频量化交易下期权定价模型参数估计研究——基于卷积神经网络的两阶段启发式算法 |
| 4.1 引言 |
| 4.2 卷积神经网络 |
| 4.2.1 期权合约信息的内卷积、外卷积和上采样、下采样计算 |
| 4.2.2 期权合约信息的卷积面与池化面计算 |
| 4.2.3 卷积神经网络的标准模型 |
| 4.2.4 卷积神经网络的一般学习算法 |
| 4.3 两阶段启发式算法 |
| 4.3.1 基于卷积神经网络的历史实例求解信息学习 |
| 4.3.1.1 历史实例求解信息生成 |
| 4.3.1.2 卷积神经网络的构建 |
| 4.3.1.3 卷积神经网络的训练算法设计 |
| 4.3.2 基于PSO算法和引导信息估计期权定价模型参数 |
| 4.3.2.1 PSO算法 |
| 4.3.2.2 PSO算法流程设计 |
| 4.3.3 两阶段启发式算法流程 |
| 4.4 计算实验与结果分析 |
| 4.4.1 卷积神经网络的训练样本数据构成 |
| 4.4.2 数值结果与分析 |
| 4.4.2.1 卷积神经网络的训练结果与分析 |
| 4.4.2.2 卷积神经网络引导求解新实例结果 |
| 4.4.2.3 PSO算法估计模型参数结果与分析 |
| 4.5 本章小结 |
| 第5章 基于集成学习的组合期权定价模型构建 |
| 5.1 引言 |
| 5.2 模型构建 |
| 5.2.1 集成学习及Adaboost算法 |
| 5.2.2 组合期权定价模型的构建 |
| 5.3 模型参数估计方法 |
| 5.3.1 主模型参数估计 |
| 5.3.2 子模型参数估计 |
| 5.4 计算实验与结果分析 |
| 5.4.1 样本数据构成 |
| 5.4.2 数值结果与稳定性分析 |
| 5.5 本章小结 |
| 第6章 基于DBM和SVM的确定性波动率函数模型构建 |
| 6.1 引言 |
| 6.2 深层波耳兹曼机 |
| 6.2.1 受限波耳兹曼机的模型和学习算法 |
| 6.2.1.1 受限波耳兹曼机的结构设计与理论推导 |
| 6.2.1.2 受限波耳兹曼机的学习算法设计 |
| 6.2.2 深层玻耳兹曼机的标准模型和学习算法 |
| 6.2.2.1 深层玻耳兹曼机的标准模型 |
| 6.2.2.2 深层玻耳兹曼机的学习算法 |
| 6.3 支持向量机 |
| 6.4 影响因子提取及确定性波动率函数模型构建 |
| 6.4.1 基于深层玻耳兹曼机提取波动率函数模型的影响因子 |
| 6.4.1.1 历史波动率的计算 |
| 6.4.1.2 深层玻耳兹曼机的模型设计 |
| 6.4.1.3 深层玻耳兹曼机的训练算法设计 |
| 6.4.2 确定性波动率函数模型的构建和算法 |
| 6.4.2.1 基于结构风险最小化的确定性波动率函数模型 |
| 6.4.2.2 模型求解方法 |
| 6.5 计算实验与结果分析 |
| 6.5.1 训练样本数据构成 |
| 6.5.2 数值结果与分析 |
| 6.5.2.1 深层玻耳兹曼机提取数据特征结果与分析 |
| 6.5.2.2 实验结果与鲁棒性分析 |
| 6.6 本章小结 |
| 第7章 结论与展望 |
| 7.1 论文工作总结 |
| 7.2 未来研究内容 |
| 参考文献 |
| 致谢 |
| 攻读博士期间的主要研究成果 |
（9）分子动理论优化方法及其在风电场阵列布局应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 风电场阵列布局建模与优化 |
| 1.2.1 尾流效应模型 |
| 1.2.2 风电场阵列布局模型 |
| 1.2.3 风电场阵列布局优化算法 |
| 1.3 拟物理规律优化算法研究现状 |
| 1.3.1 吸引排斥优化模型与方法 |
| 1.3.2 模拟退火优化算法 |
| 1.3.3 基于折射与反射模型的优化方法 |
| 1.4 论文结构 |
| 第二章 分子动理论优化算法 |
| 2.1 引言 |
| 2.2 分子动理论优化算法群集优势与不足 |
| 2.2.1 KMTOA算法简介 |
| 2.2.2 KMTOA算法群集优势 |
| 2.2.3 KMTOA算法不足 |
| 2.3 分子动理论优化算法群集性与收敛性分析 |
| 2.3.1 群集模型 |
| 2.3.2 算法群集性分析 |
| 2.3.3 算法收敛性分析 |
| 2.4 本章小结 |
| 第三章 基于WLMS-KMTOA的风电场布局优化设计 |
| 3.1 引言 |
| 3.2 KMTOA算法与多种优化算法的异同 |
| 3.2.1 多种基于吸引排斥模型的优化算法比较 |
| 3.2.2 KMTOA算法与粒子群算法的联系与区别 |
| 3.2.3 KMTOA算法与其它SI算法的比较 |
| 3.3 弱连接多子群分子动理论优化算法 |
| 3.3.1 弱连接多子群模型设计 |
| 3.3.2 WLMS—KMTOA算法设计 |
| 3.3.3 实验设计与结果分析 |
| 3.4 多子群协同搜索优越性理论证明 |
| 3.5 WLMS-KMTOA在风电场布局优化中的应用 |
| 3.5.1 尾流效应模型 |
| 3.5.2 风电场功率输出模型 |
| 3.5.3 风电场阵列布局单目标优化建模与求解 |
| 3.6 本章小结 |
| 第四章 基于BCE-KMTOA的风电场阵列布局优化 |
| 4.1 引言 |
| 4.2 多目标优化方法 |
| 4.3 双准则协同进化多目标分子动理论优化算法 |
| 4.3.1 KMTOA拓扑结构改进 |
| 4.3.2 双准则协同进化框架 |
| 4.3.3 BCE-KMTOA算法流程 |
| 4.3.4 算法性能测试 |
| 4.4 BCE-KMTOA在多目标风电场阵列布局优化中的应用 |
| 4.4.1 多目标风电场阵列布局优化建模 |
| 4.4.2 实验测试与结果分析 |
| 4.5 风电场阵列布局优化实验平台GUI设计 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 个人简介、攻读硕士学位期间的学术成果及科研项目 |
（10）蛋白质-小分子柔性对接采样算法的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景 |
| 1.2 研究内容 |
| 1.3 研究意义 |
| 1.4 本文组织结构 |
| 第二章 蛋白质-小分子柔性对接关键技术分析 |
| 2.1 引言 |
| 2.2 Protein的柔性 |
| 2.2.1 软对接 |
| 2.2.2 侧链柔性 |
| 2.2.3 受体集合对接 |
| 2.2.4 混合模型 |
| 2.3 Ligand的准备 |
| 2.3.1 系统化采样 |
| 2.3.2 增量构造 |
| 2.4 构象空间的采样方法 |
| 2.4.1 MC/模拟退火算法 |
| 2.4.2 遗传算法 |
| 2.4.3 群智能算法 |
| 2.5 打分函数 |
| 2.5.1 基于力场的打分函数 |
| 2.5.2 经验性的打分函数 |
| 2.5.3 基于知识的打分函数 |
| 2.5.4 共同评价打分 |
| 2.6 复合体对接结果的分析与后期处理 |
| 2.6.1 基于物理的重打分 |
| 2.6.2 交互指纹 |
| 2.7 其它方面的进展 |
| 2.7.1 同源建模对接 |
| 2.7.2 HIV-1Protease、GPCR、Protein Kinase是研究热点 |
| 2.7.3 水分子在对接中的显性作用 |
| 2.8 本章小结 |
| 第三章 蛋白质-小分子集合对接协议设计与实现 |
| 3.1 引言 |
| 3.2 P-L集合对接测试数据集的预处理 |
| 3.2.1 测试数据集 |
| 3.2.2 生成蛋白质构象集合 |
| 3.2.3 有代表性对接模板的选择方法 |
| 3.2.4 选择受体Protein有代表性结构模板 |
| 3.2.5 配体柔性的预处理 |
| 3.3 Rosetta Ligand集合对接协议 |
| 3.3.1 集合对接协议流程图 |
| 3.3.2 对接过程中使用到的打分函数 |
| 3.3.3 对接后的重打分 |
| 3.4 实验与分析 |
| 3.4.1 单初始构象对接结果 |
| 3.4.2 使用GDC方法集合对接的结果 |
| 3.4.3 使用RRSC方法集合对接的结果 |
| 3.4.4 单初始结构对接和集合对接的比较 |
| 3.5 讨论 |
| 3.5.1 蛋白质柔性条件下采样复合体构象 |
| 3.5.2 通过最低能量寻找近天然结构 |
| 3.5.3 通过后期处理获得近天然构象 |
| 3.6 本章小结 |
| 第四章 基于多目标准则的副本交换采样算法 |
| 4.1 引言 |
| 4.2 MC和REMC采样算法原理 |
| 4.2.1 MC采样算法原理 |
| 4.2.2 REMC采样算法原理 |
| 4.3 多目标优化问题及相关定义 |
| 4.3.1 多目标优化问题 |
| 4.3.2 多目标优化问题相关定义 |
| 4.3.3 双目标优化问题 |
| 4.4 P-L柔性对接测试数据集的准备 |
| 4.4.1 测试数据集 |
| 4.4.2 受体和配体的准备 |
| 4.4.3 对接过程中使用到的打分函数 |
| 4.5 P-L柔性对接不同采样算法的实施 |
| 4.5.1 MC采样算法 |
| 4.5.2 REMC采样算法 |
| 4.5.3 MO-REMC采样算法 |
| 4.5.4 HMO-REMC采样算法 |
| 4.6 实施中参数的配置以及对结果的评价方法 |
| 4.6.1 采样算法参数的配置 |
| 4.6.2 对预测结果的评价方法 |
| 4.7 实验与分析 |
| 4.7.1 不同采样算法之间性能的比较 |
| 4.7.2 同一目标在不同采样算法和规模下性能的比较 |
| 4.7.3 不同采样算法和规模下对接结果的总结 |
| 4.7.4 不同采样算法收敛性的比较 |
| 4.8 本章小结 |
| 第五章 基于自适应温度的副本交换采样算法 |
| 5.1 引言 |
| 5.2 自适应采样算法原理 |
| 5.3 自适应采样算法理论基础 |
| 5.4 在P-L柔性对接中实施AT-REMC采样算法 |
| 5.4.1 AT-REMC采样算法中初始温度阶梯的构造 |
| 5.4.2 在AT-REMC采样算法中使用单点随机交换策略 |
| 5.4.3 在Rosetta Ligand协议中使用AT-REMC采样算法 |
| 5.4.4 AT-REMC采样算法在对接中实施的细节 |
| 5.4.5 对预测结果的评价方法 |
| 5.5 实验与分析 |
| 5.5.1 AT-REMC算法与传统算法之间采样性能的比较 |
| 5.5.2 同一样例在不同采样算法和规模下的性能比较 |
| 5.5.3 不同采样算法和规模下对接结果的总结 |
| 5.5.4 不同采样算法收敛性的比较 |
| 5.5.5 Ligand预测构象与晶体结构的比较 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 发表文章目录及科研项目 |
| 致谢 |
四、推广的模拟退火算法在分子对接中的应用（论文参考文献）
- [1]粒子群优化算法改进策略及其应用研究[D]. 李超. 江南大学, 2021
- [2]新型RNA-配体对接预测工具的开发及测试[D]. 陈轩. 大连理工大学, 2021(01)
- [3]基于遗传模拟退火的电网企业物资配送路径优化[D]. 王明雪. 华北电力大学(北京), 2021(01)
- [4]面向智能工厂的无线传感器网络定位技术研究[D]. 李海啸. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021(09)
- [5]GSA构造蛋白-共价配体结合模式采样空间[D]. 陈雅茹. 华中师范大学, 2021(02)
- [6]低精度蛋白质与小配体分子对接算法研究[D]. 张文艺. 东北师范大学, 2020(06)
- [7]基于改进粒子群算法的SVM参数优化及应用[D]. 姜雯. 江苏科技大学, 2020(01)
- [8]期权定价模型构建与参数估计研究 ——基于深度学习、集成学习和智能优化算法[D]. 何万里. 东北财经大学, 2019(06)
- [9]分子动理论优化方法及其在风电场阵列布局应用研究[D]. 刘颖南. 湘潭大学, 2019(02)
- [10]蛋白质-小分子柔性对接采样算法的研究[D]. 王宏瑞. 苏州大学, 2018(01)