.png){kind=icon}
返回
Elephant herding algorithm for the multiple sequence alignment problem
.png){kind=icon}
PRE
AI
DOI：10.1007/s12065-026-01197-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究将象群优化算法（EHO）应用于多序列比对（MSA）问题，并在相同的客观目标和预算条件下评估其与遗传算法（GA）的性能。EHO通过族更新算子（CUO）和分离算子（SO）实现两种象群行为：围绕雌性首领的族内更新（开发）和成年雄象的分离（探索）。该设计实现了有原则的探索-开发平衡，避免了破坏性重组，减少了过早收敛的同时保留了高质量的局部比对。在30次运行的阿尔茨海默症相关同源蛋白靶标中，EHO始终获得比GA更高的平均比对分数和更低的方差，表明其解质量更强且收敛更稳定。EHO所需的超参数和算子调优比GA更少，简化了实现并提高了可重复性。敏感性分析表明，族大小和分离率能有效调节强化和多样化，使其在遗传算法易停滞的多模态景观中表现出鲁棒性能。尽管EHO在朴素实现中可能产生更高的计算成本，但其结构易于并行化和提前停止，实际运行时能有效缓解时间开销。总体而言，EHO为MSA提供了一种鲁棒且参数较少的遗传算法替代方案，通过生物学基础的种群动力学实现了不牺牲开发的高质量和稳定的比对质量。我们通过网页链接https://github.com/riosew/Elephant-Herding-Algorithm-for-the-Multiple-Sequence-Alignment-Problem.git提供了Python实现。
Keyword:
Elephant Herding Optimization
Multiple Ssequence Alignment
Genetic algorithm
Alzheimer
