第1章 绪论 1
1.1进化算法 1
1.1.1遗传算法 1
1.1.2遗传规划 2
1.1.3进化策略 4
1.1.4进化规划 5
1.1.5粒子群优化算法 5
1.1.6量子粒子群优化算法 8
1.2生物信息学 10
1.2.1生物信息学的起源 10
1.2.2生物信息学的概念 11
1.2.3生物信息学的主要研究内容 12
1.3最优化理论 14
1.3.1最优化问题 15
1.3.2局部优化算法 16
1.3.3全局优化算法 17
1.3.4最优化问题的求解 17
1.4本书的主要内容 19
第2章 粒子群优化算法和量子粒子群优化算法 21
2.1粒子群优化算法 21
2.1.1基本粒子群算法 21
2.1.2带惯性权重w的粒子群算法 23
2.1.3带收缩因子x的粒子群算法 24
2.2量子粒子群优化算法 25
2.2.1δ势阱模型的建立 25
2.2.2粒子的基本进化方程 28
2.2.3QPSO算法的流程 29
2.3QPSO算法收敛性分析 30
2.3.1全局搜索算法的收敛准则 31
2.3.2局部搜索算法的收敛准则 33
2.3.3QPSO算法的全局收敛性 33
第3章 基于选择操作的QPSO算法 36
3.1引言 36
3.2采用锦标赛选择操作的QPSO算法（QPSO-TS） 37
3.3采用轮盘赌选择操作的QPSO算法（QPSO-RS） 39
3.4算法的收敛性分析 40
3.4.1全局收敛性准则 40
3.4.2基于选择操作的QPSO算法的全局收敛性 40
3.5实验结果及分析 42
3.5.1实验设计 42
3.5.2实验结果 45
3.6本章小结 74
第4章 进化算法在多序列比对中的应用 75
4.1多序列比对的含义 75
4.2基于二进制QPSO算法的序列比对 77
4.2.1二进制的PSO算法（BPSO） 77
4.2.2二进制的QPSO算法（BQPSO） 78
4.2.3基于MBPSO或MBQPSO的多序列比对 81
4.2.4仿真实验和结果 84
4.2.5结论 94
4.3基于隐马尔柯夫模型和多样性QPSO算法的多序列比对 95
4.3.1前言 95
4.3.2隐马尔柯夫模型 96
4.3.3基于剖面HMM和QPSO的多序列比对 100
4.3.4融合多样性的QPSO算法 102
4.3.5评估训练算法的质量 106
4.3.6模型的联配问题 107
4.3.7评估比对序列的质量 109
4.3.8实验结果 110
4.3.9结论 124
第5章 基于进化算法的代谢流的评估 126
5.1代谢流评估 126
5.1.1化学计量矩阵方法 127
5.1.2基于13C标记平衡的MFA 130
5.2基于自适应进化算法和单值分解的方法的 135
代谢通量分析 135
5.2.1自适应进化算法 135
5.2.2系统化学计量矩阵约束的单值分解 137
5.2.3进化算法中不等式约束的处理 138
5.3基于QPSO及其改进的QPSO算法和罚函数的代谢通量分析 139
5.3.1罚函数的方法 139
5.3.2基于QPSO及其改进的QPSO和罚函数的代谢流评估流程 140
5.4仿真实验及其结果 141
5.5本章 小结 148
第6章 基于GP和QPSO算法的兽疫链球菌发酵透明质酸培养基的优化 150
6.1引言 150
6.2原料和方法 151
6.2.1微生物和媒介 151
6.2.2在一个7-1发酵罐中的兽疫链球菌的一组培养基 152
6.3响应面分析法（RSM） 152
6.4仿真实验和结果 152
6.4.1RSM的结果 153
6.4.2GP的结果 154
6.4.3使用QPSO算法优化GP评估方程式的参数的结果 155
6.4.4使用QPSO算法优化透明质酸产量的培养基的结果 156
6.5结论 158
第7章 基于多样性量子行为粒子群优化算法的基因数据聚类 159
7.1基因数据聚类研究现状 159
7.2多样性引导的量子粒子群优化算法 160
7.3基于DGQPSO的聚类算法设计 165
7.4基于多样性量子行为粒子群算法的基因数据聚类 167
7.4.1实验数据集 167
7.4.2基因表达数据聚类实验分析 171
7.4.3基于粒子群优化的聚类算法比较 171
7.4.4与一些常用聚类算法的比较 174
7.5结论 175
第8章 总结与展望 176
附录1 PSO算法程序代码 178
附录2 QPSO算法程序代码 180
附录3 多序列比对程序代码 182
参考文献 186