基于神經(jīng)網(wǎng)絡(luò)—模擬退火混合算法的RNA二級(jí)結(jié)構(gòu)預(yù)測(cè).pdf

1、神經(jīng)網(wǎng)絡(luò)算法是求解復(fù)雜組合優(yōu)化問題的一種有效方法，但極容易陷入局部最小值；模擬退火算法的突跳特性可避免陷于局部最小值，仙收斂速度慢。針對(duì)這個(gè)問題，本文提出了一種帶分階段變化冷卻進(jìn)度表和隨機(jī)接受準(zhǔn)則的神經(jīng)網(wǎng)絡(luò)-模擬退火混合算法，并應(yīng)用于RNA的二級(jí)結(jié)構(gòu)預(yù)測(cè)。 該混合算法把整個(gè)迭代過程分為若干個(gè)階段，在每個(gè)階段都有不同的冷卻進(jìn)度表參數(shù)和隨機(jī)接受準(zhǔn)則。后一個(gè)階段在前一個(gè)階段結(jié)束后，適當(dāng)改變冷卻進(jìn)度表參數(shù)，即回火升溫、改變溫度下降方案、

2、改變固定溫度時(shí)的迭代長(zhǎng)度、改變終止規(guī)則，同時(shí)改變隨機(jī)接受準(zhǔn)則，令混合算法可以根據(jù)實(shí)際情況，在不同階段采用Boltzmann機(jī)、Cauchy機(jī)、N-Cauchy機(jī)等多種計(jì)算方法，既保證了混合算法可以達(dá)到全局最小值，又大大減少了算法的復(fù)雜度。 本文在實(shí)現(xiàn)混合算法時(shí)，為了進(jìn)一步減少算法的復(fù)雜度，提高效率，還采用了各種新方法，比如在計(jì)算網(wǎng)絡(luò)的整體能量和能量差時(shí)進(jìn)行預(yù)處理等，效果很明顯。 實(shí)驗(yàn)證明，該混合算法是穩(wěn)定的。和目前一些典