基于实码遗传算法的湖泊水质模型参数优化

参数的合理取值决定着模型的模拟效果,因此确定研究区域的模型结构后,需要对模型的参数进行优化.湖泊水质模型(Simulation by means of an Analytical Lake Model,SALMO)利用常微分方程描述湖泊的营养物质循环和食物链动态,考虑了多个生态过程,包含104个参数.由于参数较多,不适宜采用传统参数优化方法进行优化.利用太湖梅梁湾2005年数据,采用实码遗传算法优化了SALMO模型中相对敏感的参数,运用优化后的模型,模拟了梅梁湾2006年的水质.对比分析参数优化前后模型的效果表明遗传算法能高效地对SALMO进行参数优化,优化后的模拟精度得到了显著提高,能更好地模拟梅梁湾的水质变化.     

基于遗传算法的渔情预报HSI建模与智能优化

鱼类栖息地适宜性指数模型(HSI)基于鱼类分布与海洋环境之间存在的非线性关系而构建。然而,海洋环境因子之间存在着传统方法无法消除的相关性,导致获取的HSI参数较难准确表达环境因子与渔场之间的复杂关系。基于遗传算法(GA),自动消除海洋环境因子之间的相关性,构建了一种通用的鱼类HSI建模与智能优化框架(GeneHSI)。GeneHSI框架的核心是HSI建模空间向遗传算法空间的映射以及GA适应度函数的构建。该函数构建的思想是HSI预测的渔场概率与商业捕捞获取的渔场概率之间的累计误差值达到最小化。GeneHSI由待解问题构建、GA初始化和GA优化策略3部分组成。利用随机生成的标准化海洋环境数据与渔场概率数据,验证了GeneHSI模型框架的有效性。研究表明,GeneHSI能够有效优化HSI的建模并能自动获取HSI参数。不同限制条件下,遗传算法获取的HSI具有较大的差异,其中一般优化策略下获取的HSI参数最差;不等式、等式和上下界条件下,GeneHSI优化过程显著地更加合理,因此获取的HSI参数也更准确。此外,100、1000、5000和10000样本量下的优化建模表明,GeneHSI具有处理海量样本数据的能力。     

利用模拟退火算法优化Biome-BGC模型参数

生态过程模型建立在明确的机理之上,能够较好地模拟陆地生态系统的行为和特征,但模型众多的参数,成为模型具体应用的瓶颈。本文以Biome-BGC模型为例,采用模拟退火算法,对其生理、生态参数进行优化。在优化过程中,先对待优化参数进行了选择,然后采取逐步优化的方法进行优化。结果表明,使用优化后的参数,模型模拟结果与实际观测更为接近,参数优化能有效地降低模型模拟的不确定性。文中参数优化的过程和方法,可为生态模型的参数识别和优化提供一种实例和思路,有助于生态模型应用区域的扩展。     

基于遗传算法的麦角固醇分批发酵动力学参数估算

把遗传算法应用于求解麦角固醇分批发酵动力学模型参数,能进一步提高麦角固醇分批发酵过程状态变量的计算值与实验值的吻合程序,在计算机上对动力学模型进行了拟合,模拟值与实验值对比显示,该动力学模型能很好地反映麦角固醇分批发酵过程。     

基于FLUXNET观测数据与VPM模型的森林生态系统光合作用关键参数优化及验证

生态系统总初级生产力(GPP)是全球生态系统碳循环研究的重要组成部分.植被最大光能利用率(ε_max)是陆地生态系统GPP模拟的关键参数.本文基于植被光合模型(VPM)和全球通量网(FLUXNET)40个站点(179条站点年数据)的涡度相关通量观测数据,采用单因素轮换法对VPM模型进行参数敏感性分析,并利用交叉验证法对全球森林生态系统的光合作用关键参数进行优化和验证.结果表明:森林生态系统GPP模型受ε_max、光合最高温度(T_max)以及光合最适温度(T_opt)的影响最大;优化后的ε_max在不同植被类型之间存在明显差异,介于0.05～0.08 μmol CO₂·μmol^-1 PAR,常绿阔叶林>常绿针叶林>混交林>落叶阔叶林;优化后的森林生态系统T_max为38～48 ℃,T_opt为18～22 ℃;利用分植被类型优化后的模型关键参数,VPM模型可较好地模拟全球主要森林生态系统GPP的季节和年际变化.     

基于遗传算法的人工神经网络模型在冬小麦根系分布预报中的应用

In this study, a controlled experiment of winter wheat under water stress at the seedling stage was conducted in soil columns in greenhouse. Based on the data gotten from the experiment, a model to estimate root length density distribution was developed through optimizing the weights of neural network by genetic algorithm. The neural network model was constructed by using forward neural network framework, by applying the strategy of the roulette wheel selection and reserving the most optimizing series of weights, which were composed by real codes.This model was applied to predict the root length density distribution of winter wheat, and the predicted root length density had good agreement with experiment data. The way could save a lot of manpower and material resources for determining the root length density distribution of winter wheat.     

高山姬鼠种群数量动态及预测预报模型

为了摸清高山姬鼠种群数量变节变动规律,探讨其种群数量预测方法,采用夹夜法调查逐月捕获率,用捕获率为预测指标,建立种群数量预测预报模型。对1996-2008年贵州省大方县高山姬鼠种群数量动态及种群数量进行分析预测,结果表明:高山姬鼠主要分布于稻田、旱地耕作区,是大方县农田害鼠优势种,占总鼠数的62.32%。10a平均捕获率为(2.58±1.27)%,全年种群数量变动曲线呈单峰型,各年度种群数量的变化曲线基本相似,一年内种群数量在6月份出现1个数量高峰,平均捕获率达(4.63±3.03)%。不同年度、不同月份、不同季节之间种群数量存在显著差异。根据历年高山姬鼠种群数量变动幅度及发生危害情况,结合当地鼠害防治指标,制定了高山姬鼠种群数量分级标准。分析1996-2008年高山姬鼠数量高峰期前各月捕获率、种群繁殖参数(性比、怀孕率、胎仔数、睾丸下降率、繁殖指数)与数量高峰期6月种群密度的关系后发现,4月份种群数量基数与6月份种群密度之间相关极显著,运用回归分析方法,建立了应用4月份种群数量基数(X)预测数量高峰期6月份种群密度(Y)的短期预测预报模型:Y=1.7558X+0.1442,可提前2个月预测当年数量峰种群密度和发生程度,经回测验证,数值和数量级预测值与实测值基本相符,数值预测和数量级预测平均吻合率为92.84%、100.00%,结果比较准确,故该预测预报模型具有一定的实用性和可行性。     

植物空间分布格局中邻体距离的概率分布模型及参数估计

最近邻体法是一类有效的植物空间分布格局分析方法,邻体距离的概率分布模型用于描述邻体距离的统计特征,属于常用的最近邻体法之一。然而,聚集分布格局中邻体距离(个体到个体)的概率分布模型表达式复杂,参数估计的计算量大。根据该模型期望和方差的特性,提出了一种简化的参数估计方法,并利用遗传算法来实现参数优化,结果表明遗传算法可以有效地估计的该模型的两个参数。同时,利用该模型拟合了加拿大南温哥华岛3个寒温带树种的空间分布数据,结果显示:该概率分布模型可以很好地拟合美国花旗松(P.menziesii)和西部铁杉(T.heterophylla)的邻体距离分布,但由于西北红柏(T.plicata)存在高度聚集的团簇分布,拟合结果不理想;美国花旗松在样地中近似随机分布,空间聚集参数对空间尺度的依赖性不强,但西北红柏和西部铁杉空间聚集参数具有尺度依赖性,随邻体距离阶数增加而变大。最后,讨论了该模型以及参数估计方法的优势和限制。     

基于东北温带落叶阔叶林通量数据的BEPS 模型参数优化

控制其他参数为经验常数,利用迭代方法对主要光合作用参数最大羧化速率(V_{c max}) 及最大电子传递速率(J_max)进行不同数值组合,将得到的多组模拟结果的逐日总初级生产力(GPP)分别与东北帽儿山落叶阔叶林的通量观测数据进行比较,实现对小时步长BEPSHourly模型V_{c max}和J_max的参数优化.结果表明: 对于东北温带落叶阔叶林,当V_{c max}为41.1 μmol·m^-2·s^-1、J_max 为82.8 μmol·m^-2·s^-1时,模拟的2011年逐日GPP与观测数据比较的均方根误差(RMSE)最小,为1.10 g C·m^-2·d^-1,R²最高,为0.95.经过光合作用参数V_{c max}和J_max优化后,BEPSHourly模型能更好地模拟GPP的季节变化.     

生态学数学模型参数优化估计的遗传算法

本文提出用遗传算法,对生态学中的一些数学模型参数进行优化估计,并以崔-lawson方程为例．尝试了遗传算法的效果．结果表明,该方法性能良好,可望成为生态学中各类非线性模型辨识的有效参数．     

基于遗传算法的蛋白质结构预测方法

遗传算法源于自然界的进化规律,是一种自适应启发式概率性迭代式全局搜索算法。本文主要介绍了GA的基本原理,算法及优点;总结GA在蛋白质结构预测中建立模型和执行策略,以及多种算法相互结合预测蛋白质结构的研究进展。     

基于遗传算法预测2D三向的蛋白质结构

本文基于范德华力势能预测2D三向的蛋白质结构。首先,将蛋白质结构预测这一生物问题转化为数学问题,并建立基于范德华力势能函数的数学模型。其次,使用遗传算法对数学模型进行求解,为了提高蛋白质结构预测效率,我们在标准遗传算法的基础上引入了调整算子这一概念,改进了遗传算法。最后,进行数值模拟实验。实验的结果表明范德华力势能函数模型是可行的,同时,和规范遗传算法相比,改进后的遗传算法能够较大幅度提高算法的搜索效率,并且遗传算法在蛋白质结构预测问题上有巨大潜力。     

基于遗传算法特征选择的HBV再激活分类预测模型

探讨原发性肝癌患者精确放疗后乙型肝炎病毒(hepatitis b virus,HBV)再激活的危险特征和分类预测模型。提出基于遗传算法的特征选择方法,从原发性肝癌数据的初始特征集中选择HBV再激活的最优特征子集。建立贝叶斯和支持向量机的HBV再激活分类预测模型,并预测最优特征子集和初始特征集的分类性能。实验结果表明,基于遗传算法的特征选择提高了HBV再激活分类性能,最优特征子集的分类性能明显优于初始特征子集的分类性能。影响HBV再激活的最优特征子集包括:HBV DNA水平,肿瘤分期TNM,Child-Pugh,外放边界和全肝最大剂量。贝叶斯的分类准确性最高可达82.89%,支持向量机的分类准确性最高可达83.34%。     

基于蚁群遗传算法的DNA序列比对方法

蚁群遗传算法是在蚁群算法的基础上用遗传算法对其参数进行优化而产生的一种改进算法。把蚁群遗传算法应用于DNA序列比对上,结果表明这种新的序列比对算法是非常有效的。     

太湖水华程度及其生态环境因子的时空分布特征

湖泊水华是全世界面临的严重生态环境问题之一,对人类和生态系统健康都有重大影响。由于湖泊水华受流域面源、点源污染、气候、水文因子以及湖泊生态系统自身特征等众多因素影响,水华是否爆发、其严重程度及时空分布特征呈现明显的复杂性。以我国太湖为研究区域,基于近年的水华及水环境的监测数据,用自组织特征映射神经网络对太湖不同监测点的水华程度进行了自动聚类分析。结果表明,太湖水华程度呈现为明显的无水华、轻度、中度和重度水华4类。不同程度水华的叶绿素a、水温、COD_(Mn)、营养盐、浮游植物生物量以及藻种(蓝藻、绿藻、硅藻)结构的时空差异显著,不同变量间的关系复杂,有助于深入认识太湖近年水华发生的时空变异特性。     

Protein structure prediction in a 210-type lattice model: parameter optimization in the genetic algorithm using orthogonal array

We have applied the orthogonal array method to optimize the parameters in the genetic algorithm of the protein folding problem. Our study employed a 210-type lattice model to describe proteins, where the orientation of a residue relative to its neighboring residue is described by two angles. The statistical analysis and graphic representation show that the two angles characterize protein conformations effectively. Our energy function includes a repulsive energy, an energy for the secondary structure preference, and a pairwise contact potential. We used orthogonal array to optimize the parameters of the population, mating factor, mutation factor, and selection factor in the genetic algorithm. By designing an orthogonal set of trials with representative combinations of these parameters, we efficiently determined the optimal set of parameters through a hierarchical search. The optimal parameters were obtained from the protein crambin and applied to the structure prediction of cytochrome B562. The results indicate that the genetic algorithm with the optimal parameters reduces the computing time to reach a converged energy compared to nonoptimal parameters. It also has less chance to be trapped in a local energy minimum, and predicts a protein structure which is closer to the experimental one. Our method may also be applicable to many other optimization problems in computational biology.     

Protein structure prediction using mutually orthogonal Latin squares and a genetic algorithm

We combine a new, extremely fast technique to generate a library of low energy structures of an oligopeptide (by using mutually orthogonal Latin squares to sample its conformational space) with a genetic algorithm to predict protein structures. The protein sequence is divided into oligopeptides, and a structure library is generated for each. These libraries are used in a newly defined mutation operator that, together with variation, crossover, and diversity operators, is used in a modified genetic algorithm to make the prediction. Application to five small proteins has yielded near native structures.     

A combined steepest descent and genetic algorithm (SD/GA) approach for the optimization of solvation parameters

An accurate solvation model is essential for computer modeling of protein folding and other biomolecular self-assembly processes. Compared to explicit solvent models, implicit solvent models, such as the Poisson-Boltzmann (PB) with solvent accessible surface area model (PB/SA), offer a much faster speed—the most compelling reason for the popularity of these implicit solvent models. Since these implicit solvent models typically use empirical parameters, such as atomic radii and the surface tensions, an optimal fit of these parameters is crucial for the final accuracy of properties such as solvation free energy and folding free energy. In this paper, we proposed a combined approach, namely SD/GA, which takes the advantage of both local optimization with the steepest descent (SD), and global optimization with the genetic algorithm (GA), for parameters optimization in multi-dimensional space. The SD/GA method is then applied to the optimization of solvation parameters in the non-polar cavity term of the PB/SA model. The results show that the newly optimized parameters from SD/GA not only increase the accuracy in the solvation free energies for ～200 organic molecules, but also significantly improve the free energy landscape of a β-hairpin folding. The current SD/GA method can be readily applied to other multi-dimensional parameter space optimization as well.