生物演算法

❶ 求生物學 蟻群演算法

蟻群演算法(ant colony optimization, ACO)，又稱螞蟻演算法，是一種用來在圖中尋找優化路徑的機率型演算法。它由Marco Dorigo於1992年在他的博士論文中提出，其靈感來源於螞蟻在尋找食物過程中發現路徑的行為。蟻群演算法是一種模擬進化演算法,初步的研究表明該演算法具有許多優良的性質.針對PID控制器參數優化設計問題,將蟻群演算法設計的結果與遺傳演算法設計的結果進行了比較,數值模擬結果表明,蟻群演算法具有一種新的模擬進化優化方法的有效性和應用價值。

下面詳細說明：
1、范圍：
螞蟻觀察到的范圍是一個方格世界，螞蟻有一個參數為速度半徑（一般是3），那麼它能觀察到的范圍就是3*3個方格世界，並且能移動的距離也在這個范圍之內。
2、環境：
螞蟻所在的環境是一個虛擬的世界，其中有障礙物，有別的螞蟻，還有信息素，信息素有兩種，一種是找到食物的螞蟻灑下的食物信息素，一種是找到窩的螞蟻灑下的窩的信息素。每個螞蟻都僅僅能感知它范圍內的環境信息。環境以一定的速率讓信息素消失。
3、覓食規則：
在每隻螞蟻能感知的范圍內尋找是否有食物，如果有就直接過去。否則看是否有信息素，並且比較在能感知的范圍內哪一點的信息素最多，這樣，它就朝信息素多的地方走，並且每隻螞蟻都會以小概率犯錯誤，從而並不是往信息素最多的點移動。螞蟻找窩的規則和上面一樣，只不過它對窩的信息素做出反應，而對食物信息素沒反應。
4、移動規則：
每隻螞蟻都朝向信息素最多的方向移，並且，當周圍沒有信息素指引的時候，螞蟻會按照自己原來運動的方向慣性的運動下去，並且，在運動的方向有一個隨機的小的擾動。為了防止螞蟻原地轉圈，它會記住最近剛走過了哪些點，如果發現要走的下一點已經在最近走過了，它就會盡量避開。
5、避障規則：
如果螞蟻要移動的方向有障礙物擋住，它會隨機的選擇另一個方向，並且有信息素指引的話，它會按照覓食的規則行為。
6、播撒信息素規則：
每隻螞蟻在剛找到食物或者窩的時候撒發的信息素最多，並隨著它走遠的距離，播撒的信息素越來越少。
根據這幾條規則，螞蟻之間並沒有直接的關系，但是每隻螞蟻都和環境發生交互，而通過信息素這個紐帶，實際上把各個螞蟻之間關聯起來了。比如，當一隻螞蟻找到了食物，它並沒有直接告訴其它螞蟻這兒有食物，而是向環境播撒信息素，當其它的螞蟻經過它附近的時候，就會感覺到信息素的存在，進而根據信息素的指引找到了食物。

❷ 生物必修2第一章所要用的計算方法

最基本的演算法就一個，就是算分離定律，然後自由組合就用分離定律的演算法做。
自由組合定律以分離定律為基礎，因而可以用分離定律的知識解決自由組合定律的問題。況且，分離定律中規律性比例比較簡單，因而用分離定律解決自由組合定律問題簡單易行。
1、 配子類型的問題
規律：某一基因型的個體所產生配子種類等於2n種(n為等位基因對數)。
如：AaBbCCDd產生的配子種類數：
Aa Bb CC Dd

2 × 2 × 1 × 2 =
2、配子間結合方式問題
規律：兩基因型不同的個體雜交，配子間結合方式種類數等於各親本產生配子種類數的乘積。
如：AaBbCc與AaBbCC雜交過程中配子間結合方式有多少種？
先求AaBbCc、aaBbCC各自產生多少種配子：AaBbCc 8種配子，AaBbCC 4種配子。
再求兩親本配子間結合方式：由於兩性配子間結合隨機的，因而AaBbCc與AaBbCC配子間有8×4=32種結合方式。
3、 基因型、表現型問題
（1） 已知雙親基因型，求雙親雜交後所產生子代的基因型種類數與表現型種數
規律：兩基因型已知的雙親雜交，子代基因型（或表現型）種類數等於將各性狀分別拆開後，各自按分離定律求出子代基因型（或表現型）種類數的乘積。
如：AaBbCc與AaBBCc雜交，其後代有多少種基因型？多少種表現型？
先看每對基因的傳遞情況：
Aa×Aa 後代有3種基因型（1AA:2Aa:1aa）;2種表現型。
Bb×BB 後代有2種基因型（1BB：1Bb）；1種表現型。
Cc×Cc 後代有3種基因型（1CC：2Cc：1cc）；2種表現型。
因而AaBbCc×AaBbCc 後代中有3×2×3=18種基因型；有2×1×2=4種表現型。
（2） 已知雙親基因型，求某一具體基因型或表現型子代所佔比例
規律：某一具體子代基因型或表現型所佔比例應等於按分離定律拆分，將各種性狀及基因型所佔比例分別求出後，再組合並乘積。
如基因型為AaBbCC與AabbCc的個體雜交，求：
① 生一基因型為AabbCc個體的概率；
② 生一基因型為A–bbC–的概率。
分析;先拆為①Aa×Aa、②Bb×bb、③CC×Cc，分別求出Aa、bb、Cc的概率依次為 、 、 ，則子代為AabbCc的概率應為 × × = 。按前面①、②、③分別求出A–、bb、C–的概率依次為 、 、 ，則子代為A–bbC–的概率應為 × × = 。
（3） 已知雙親類型求不同於親本基因型或不同於親本表現型的概率
規律：不同於親本的類型=1–親本類型
如上例中親本組合為AaBbCC×AabbCc，則：
① 不同於親基的基因型=1–親本基因型
=1–（AaBbCC＋AabbCc）=1–( × × ＋ × × )= = .
② 不同於親本的表現型=1–親本表現型
=1–（顯顯顯＋顯隱顯）=1–（ × × ＋ × × ）= = 。

❸ 亞略特的生物識別演算法在業內的地位如何

亞略特成立有10多年了，一直都深耕生物識別領域，無論是技術還是經驗，都是業內比較知名的。目前亞略特的多模態生物識別技術專利有200多項，並且他們的演算法已經在政務、社區、校園、旅業、信息安全、教育、防控等領域都得到了廣泛應用，覆蓋了國內30多個省市。能看出，亞略特的生物識別演算法在這個行業還是很有影響力的。。謝謝你，如果你有這方面的問題的話，您可以隨時詢問我

❹ 市面上有哪些做得比較好的生物識別演算法晶元

我比較看好亞略特的生物識別演算法晶元Bione®斑碼，有幾方面的原因。一是這個晶元集成了亞略特的多模態生物識別演算法，如指紋、人臉、虹膜等；二是適配能力強，能適配到主流信創CPU、BIOS和操作系統；三是部署靈活，Bione®斑碼晶元可以嵌入到生物識別模組、虹膜人臉雙模態採集儀、人臉測溫一體機、多模態智能門鎖、自助服務終端等產品，並應用到教育考試、智慧社區、智慧校園、智慧旅業等場景。

❺ 應用在生物學方面的計算機演算法有哪些

研究脈搏心率血氧飽合度數據所用的去趨勢波動分析演算法dfa，即除趨勢波動分析(DFA),Detrended Fluctuation Analysis(DFA）
可以查一下脈搏dfa演算法

❻ 生物信息學演算法導論的目錄

1 緒論
2 演算法與復雜性
2.1 演算法是什麼？
2.2 生物學演算法與計算機演算法
2.3 找錢問題
2.4 正確的與錯誤的演算法
2.5 遞歸演算法
2.6 迭代演算法與遞歸演算法的比較
2.7 快速演算法與慢速演算法的比較
2.8 大O記號
2.9 演算法設計技術
2.10 易處理與不易處理問題的比較
2.11 附註
人物天地：Richard Karp
2.12 問題
3 分子生物學簡介
3.1 生命是由什麼組成的？
3.2 什麼是遺傳物質？
3.3 基因是干什麼的？
3.4 哪些分子編碼基因？
3.5 DNA的結構是怎樣的？
3.6 在DNA和蛋白質間傳遞信息的物質是什麼？
3.7 蛋白質是由什麼組成的？
3.8 我們該如何去分析DNA？
3.9 一個物種的個體差異是怎樣產生的？
3.10 不同物種間有怎樣的差異？
3.11 為什麼要搞生物信息學？
人物天地：Russell F.Doolittle
4 窮舉搜索
4.1 限制酶切作圖
4.2 不實用的限制酶切作圖演算法
4.3 一個實用的限制酶切作圖演算法
4.4 DNA序列上的調控基序
4.5 序列剖面
4.6 基序發現問題
4.7 檢索樹
4.8 發現基序
4.9 發現一個中間字元串
4.10 附註
人物天地：Gary Stormo
4.11 問題
5 貪婪演算法
5.1 基因組重排
5.2 反序排序法
5.3 近似演算法
5.4 斷點：貪婪的另一面
5.5 貪婪方法與基序發現
5.6 附註
人物天地：David Sankoff
5.7 問題
6 動態規劃演算法
6.1 DNA序列比較的力量
6.2 找錢問題重述
6.3 曼哈頓遊客問題
6.4 編輯距離與聯配
6.5 最長共同子序列
6.6 全局序列聯配
6.7 得分聯配
6.8 局部序列聯配
6.9 缺口罰分聯配
6.10 多重聯配
6.11 基因預測
6.12 基因預測的統計方法
6.13 基於相似性的基因預測方法
6.14 剪接聯配
6.15 附註
人物天地：Michael Waterman
6.1 6 問題
7 分而治之演算法
7.1 排序問題的分治法
7.2 空間效率高的序列聯配
7.3 模序聯配和四個俄羅斯人的加速法
7.4 在亞二次時間內構建聯配
7.5 附註
人物天地：Webb Miller
7.6 問題
8 圖演算法
8.1 圖
8.2 圖與遺傳學
8.3 DNA測序
8.4 最短超字元串問題
8.5 作為可選擇測序技術的DNA陣列
8.6 雜交測序
8.7 SBH與Hamilton路問題
8.8 SBH與歐拉路問題
8.9 DNA測序中的片段裝配
8.10 蛋白質測序和鑒定
8.11 肽測序問題
8.12 譜圖
8.13 基於資料庫搜索的蛋白質鑒定
8.14 譜的卷積
8.15 譜聯配
8.16 附註
8.17 問題
9 組合模式匹配
9.1 重復序列發現
9.2 哈希表
9.3 精確模式匹配
9.4 關鍵詞樹
9.5 後綴樹
9.6 啟發式相似性搜索演算法
9.7 近似模式匹配
9.8 BLAST：依靠資料庫的序列比較
9.9 附註
人物天地：Gene Myers
9.10 問題
10 聚類和樹
10.1 基因表達分析
10.2 系統聚類
10.3 k-均值聚類
10.4 聚類和有瑕團
10.5 進化樹
10.6 基於距離的樹重構
10.7 由可加矩陣重構樹
10.8 進化樹與系統聚類
10.9 基於字元的樹重構
10.10 小簡約問題
10.11 大簡約問題
10.12 附註
人物天地：Ron Shamir
10.13 問題
11 隱馬氏模型
11.1 CG島和「公平賭場」
11.2 公平賭場和隱馬氏模型
11.3 解碼演算法
11.4 隱馬氏模型參數估計
11.5 剖面隱馬氏模型聯配
11.6 附註
人物天地：David Haussler
11.7 問題
12 隨機化演算法
12.1 排序問題回顧
12.2 吉布斯抽樣
12.3 隨機投影
12.4 附註
12.5 問題
參考文獻
索引

❼ 生物中，關於配子的計算方法

例如：雜合子（Aa）自交，求自交後代某一個體是雜合體的概率。

對此問題首先必須明確該個體是已知表現型還是未知表現型。

（1）若該個體表現型為顯性性狀，它的基因型有兩種可能：AA和Aa。且比例為1∶2，所以它為雜合子的概率為2/3。

（2）若該個體為未知表現型，那麼該個體基因型為AA、Aa和aa，且比例為1∶2∶1，因此它為雜合子的概率為1/2。

配子在生物計算中佔有相當重要的地位，通過遺傳圖，能夠清楚的觀察出基因的流程及子代基因型的情況。

子一代雜種形成配子種數與雜交中包括的相對性狀對數關系為2的n次方（n為相對性狀對數）生物體在形成配子時，成對的遺傳因子彼此分離，分別進入不同的配子中。配子中只含有每對遺傳因子的一個。

(7)生物演算法擴展閱讀

配子之間不親和的現象非常常見，尤其在植物界，通常表現為自交不親和。現代遺傳學告訴我們，近交可引起隱性有害基因的純合，導致近交衰退。

植物固著生長無法移動，雌雄同花植物的花粉易取「近水樓台」之便而自花授粉，產生比近交更為嚴重的遺傳效應。原來植物都會「以逸待勞」，利用風力、水流、昆蟲等媒介盡可能遠距離傳播花粉。

而且，許多顯花植物還有一項特殊本領，即便是正常可育花粉落到「自己的」柱頭上也會阻止其完成受精過程，這就是所謂自交不親和性。自交不親和性在植物界中廣泛分布，超過60%的被子植物都有這種特性，涉及大約320多個科。

自交不親和指具有完全花並可以形成正常雌、雄配子，但缺乏自花授粉結實能力的一種自交不育性。具有自交不親和性的作物有甘藍、黑麥、白菜型油菜、向日葵、甜菜、白菜和甘薯等。根據花粉識別特異性的遺傳決定方式，自交不親和性分為配子體自交不親和性和孢子體自交不親和性兩種類型。

1、配子體型自交不親和性（GSI）

花粉在柱頭上萌發後可侵入柱頭，並能在花柱組織中延伸一段，此後就受到抑制。花粉管與雌性因素的抑制關系發生在單倍體配子體（即卵細胞與精細胞）之間。

常見於豆科、茄科和禾本科的一些植物。這種抑制關系的發生可以在花柱組織內，也可以在花粉管與胚囊組織之間；有的甚至是花粉管釋放的精子已達胚囊內，但仍不能與卵細胞結合。

2、孢子體型自交不親和性（SSI）

花粉落在柱頭上不能正常發芽，或發芽後在柱頭乳突細胞上纏繞而無法侵入柱頭。由於這種不親和關系發生在花粉管與柱頭乳突細胞的孢子體之間，花粉的行為決定於二倍體親本的基因型，因而稱為孢子體型自交不親和性，多見於十字花科和菊科植物。

❽ 生物遺傳概率計算方法

上一代基因庫中如果A占的百分比為x，那麼相對的a所佔百分比就是（1-x），那麼子代中AA佔x的平方、Aa佔2x（1-x）、aa占（1-x）的平方。同樣方法，像後面b佔100%，那麼B就是0，所以BB佔0*0=0、Bb佔0*100%=0、bb佔100%*100%=100%。
在下面的題目中，首先只有b基因，所以後代肯定只有bb，可以不用考慮。而又知道Aa：AA=1:1，那麼配子中A佔3/4，a佔1/4，所以按我前面提到的演算法，子代AA佔3/4*3/4=9/16，Aa佔2*3/4*1/4=6/16，aa佔1/4*1/4=1/16。其中，AA和aa如果只和同類型的交配，就只會生下同類型的子代AA和aa，屬於穩定遺傳，Aa交配會發生性狀分離，不能穩定遺傳（不知道這里穩定遺傳是不是這么理解的）。所以能穩定遺傳的個體佔9/16+1/16=10/16=5/8，選B。

❾ 為什麼說生物只是演算法，生命是處理數據的

生物只是演算法，生命是處理數據的，如果說把人體比作一個大型的計算機載體，把大腦比作是CPU，那麼人真的就是一個處理數據的演算法的集合，只不過這個數據的處理相當的高級，能夠分出很多很多種不同的模塊。

計算機處理數據的方式，它更多的是確定的，它是有框架的，它有基本的法則在裡面，這是人們人為規定的，如果人們寫了一個無限循環的程序計算機，在運行這個程序的時候，它就會進入死機的狀態，因為他找不到出口就像進入了迷宮一樣，但是人的大腦不會人碰到那些沒有辦法處理的數據會選擇把它拋棄掉，暫時不理他，我們去進行下一項工作，所以我們的大腦是更加智能的。