生物算法

❶ 求生物学 蚁群算法

蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法,初步的研究表明该算法具有许多优良的性质.针对PID控制器参数优化设计问题,将蚁群算法设计的结果与遗传算法设计的结果进行了比较,数值仿真结果表明,蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。

下面详细说明：
1、范围：
蚂蚁观察到的范围是一个方格世界，蚂蚁有一个参数为速度半径（一般是3），那么它能观察到的范围就是3*3个方格世界，并且能移动的距离也在这个范围之内。
2、环境：
蚂蚁所在的环境是一个虚拟的世界，其中有障碍物，有别的蚂蚁，还有信息素，信息素有两种，一种是找到食物的蚂蚁洒下的食物信息素，一种是找到窝的蚂蚁洒下的窝的信息素。每个蚂蚁都仅仅能感知它范围内的环境信息。环境以一定的速率让信息素消失。
3、觅食规则：
在每只蚂蚁能感知的范围内寻找是否有食物，如果有就直接过去。否则看是否有信息素，并且比较在能感知的范围内哪一点的信息素最多，这样，它就朝信息素多的地方走，并且每只蚂蚁都会以小概率犯错误，从而并不是往信息素最多的点移动。蚂蚁找窝的规则和上面一样，只不过它对窝的信息素做出反应，而对食物信息素没反应。
4、移动规则：
每只蚂蚁都朝向信息素最多的方向移，并且，当周围没有信息素指引的时候，蚂蚁会按照自己原来运动的方向惯性的运动下去，并且，在运动的方向有一个随机的小的扰动。为了防止蚂蚁原地转圈，它会记住最近刚走过了哪些点，如果发现要走的下一点已经在最近走过了，它就会尽量避开。
5、避障规则：
如果蚂蚁要移动的方向有障碍物挡住，它会随机的选择另一个方向，并且有信息素指引的话，它会按照觅食的规则行为。
6、播撒信息素规则：
每只蚂蚁在刚找到食物或者窝的时候撒发的信息素最多，并随着它走远的距离，播撒的信息素越来越少。
根据这几条规则，蚂蚁之间并没有直接的关系，但是每只蚂蚁都和环境发生交互，而通过信息素这个纽带，实际上把各个蚂蚁之间关联起来了。比如，当一只蚂蚁找到了食物，它并没有直接告诉其它蚂蚁这儿有食物，而是向环境播撒信息素，当其它的蚂蚁经过它附近的时候，就会感觉到信息素的存在，进而根据信息素的指引找到了食物。

❷ 生物必修2第一章所要用的计算方法

最基本的算法就一个，就是算分离定律，然后自由组合就用分离定律的算法做。
自由组合定律以分离定律为基础，因而可以用分离定律的知识解决自由组合定律的问题。况且，分离定律中规律性比例比较简单，因而用分离定律解决自由组合定律问题简单易行。
1、 配子类型的问题
规律：某一基因型的个体所产生配子种类等于2n种(n为等位基因对数)。
如：AaBbCCDd产生的配子种类数：
Aa Bb CC Dd

2 × 2 × 1 × 2 =
2、配子间结合方式问题
规律：两基因型不同的个体杂交，配子间结合方式种类数等于各亲本产生配子种类数的乘积。
如：AaBbCc与AaBbCC杂交过程中配子间结合方式有多少种？
先求AaBbCc、aaBbCC各自产生多少种配子：AaBbCc 8种配子，AaBbCC 4种配子。
再求两亲本配子间结合方式：由于两性配子间结合随机的，因而AaBbCc与AaBbCC配子间有8×4=32种结合方式。
3、 基因型、表现型问题
（1） 已知双亲基因型，求双亲杂交后所产生子代的基因型种类数与表现型种数
规律：两基因型已知的双亲杂交，子代基因型（或表现型）种类数等于将各性状分别拆开后，各自按分离定律求出子代基因型（或表现型）种类数的乘积。
如：AaBbCc与AaBBCc杂交，其后代有多少种基因型？多少种表现型？
先看每对基因的传递情况：
Aa×Aa 后代有3种基因型（1AA:2Aa:1aa）;2种表现型。
Bb×BB 后代有2种基因型（1BB：1Bb）；1种表现型。
Cc×Cc 后代有3种基因型（1CC：2Cc：1cc）；2种表现型。
因而AaBbCc×AaBbCc 后代中有3×2×3=18种基因型；有2×1×2=4种表现型。
（2） 已知双亲基因型，求某一具体基因型或表现型子代所占比例
规律：某一具体子代基因型或表现型所占比例应等于按分离定律拆分，将各种性状及基因型所占比例分别求出后，再组合并乘积。
如基因型为AaBbCC与AabbCc的个体杂交，求：
① 生一基因型为AabbCc个体的概率；
② 生一基因型为A–bbC–的概率。
分析;先拆为①Aa×Aa、②Bb×bb、③CC×Cc，分别求出Aa、bb、Cc的概率依次为 、 、 ，则子代为AabbCc的概率应为 × × = 。按前面①、②、③分别求出A–、bb、C–的概率依次为 、 、 ，则子代为A–bbC–的概率应为 × × = 。
（3） 已知双亲类型求不同于亲本基因型或不同于亲本表现型的概率
规律：不同于亲本的类型=1–亲本类型
如上例中亲本组合为AaBbCC×AabbCc，则：
① 不同于亲基的基因型=1–亲本基因型
=1–（AaBbCC＋AabbCc）=1–( × × ＋ × × )= = .
② 不同于亲本的表现型=1–亲本表现型
=1–（显显显＋显隐显）=1–（ × × ＋ × × ）= = 。

❸ 亚略特的生物识别算法在业内的地位如何

亚略特成立有10多年了，一直都深耕生物识别领域，无论是技术还是经验，都是业内比较知名的。目前亚略特的多模态生物识别技术专利有200多项，并且他们的算法已经在政务、社区、校园、旅业、信息安全、教育、防控等领域都得到了广泛应用，覆盖了国内30多个省市。能看出，亚略特的生物识别算法在这个行业还是很有影响力的。。谢谢你，如果你有这方面的问题的话，您可以随时询问我

❹ 市面上有哪些做得比较好的生物识别算法芯片

我比较看好亚略特的生物识别算法芯片Bione®斑码，有几方面的原因。一是这个芯片集成了亚略特的多模态生物识别算法，如指纹、人脸、虹膜等；二是适配能力强，能适配到主流信创CPU、BIOS和操作系统；三是部署灵活，Bione®斑码芯片可以嵌入到生物识别模组、虹膜人脸双模态采集仪、人脸测温一体机、多模态智能门锁、自助服务终端等产品，并应用到教育考试、智慧社区、智慧校园、智慧旅业等场景。

❺ 应用在生物学方面的计算机算法有哪些

研究脉搏心率血氧饱合度数据所用的去趋势波动分析算法dfa，即除趋势波动分析(DFA),Detrended Fluctuation Analysis(DFA）
可以查一下脉搏dfa算法

❻ 生物信息学算法导论的目录

1 绪论
2 算法与复杂性
2.1 算法是什么？
2.2 生物学算法与计算机算法
2.3 找钱问题
2.4 正确的与错误的算法
2.5 递归算法
2.6 迭代算法与递归算法的比较
2.7 快速算法与慢速算法的比较
2.8 大O记号
2.9 算法设计技术
2.10 易处理与不易处理问题的比较
2.11 附注
人物天地：Richard Karp
2.12 问题
3 分子生物学简介
3.1 生命是由什么组成的？
3.2 什么是遗传物质？
3.3 基因是干什么的？
3.4 哪些分子编码基因？
3.5 DNA的结构是怎样的？
3.6 在DNA和蛋白质间传递信息的物质是什么？
3.7 蛋白质是由什么组成的？
3.8 我们该如何去分析DNA？
3.9 一个物种的个体差异是怎样产生的？
3.10 不同物种间有怎样的差异？
3.11 为什么要搞生物信息学？
人物天地：Russell F.Doolittle
4 穷举搜索
4.1 限制酶切作图
4.2 不实用的限制酶切作图算法
4.3 一个实用的限制酶切作图算法
4.4 DNA序列上的调控基序
4.5 序列剖面
4.6 基序发现问题
4.7 检索树
4.8 发现基序
4.9 发现一个中间字符串
4.10 附注
人物天地：Gary Stormo
4.11 问题
5 贪婪算法
5.1 基因组重排
5.2 反序排序法
5.3 近似算法
5.4 断点：贪婪的另一面
5.5 贪婪方法与基序发现
5.6 附注
人物天地：David Sankoff
5.7 问题
6 动态规划算法
6.1 DNA序列比较的力量
6.2 找钱问题重述
6.3 曼哈顿游客问题
6.4 编辑距离与联配
6.5 最长共同子序列
6.6 全局序列联配
6.7 得分联配
6.8 局部序列联配
6.9 缺口罚分联配
6.10 多重联配
6.11 基因预测
6.12 基因预测的统计方法
6.13 基于相似性的基因预测方法
6.14 剪接联配
6.15 附注
人物天地：Michael Waterman
6.1 6 问题
7 分而治之算法
7.1 排序问题的分治法
7.2 空间效率高的序列联配
7.3 模序联配和四个俄罗斯人的加速法
7.4 在亚二次时间内构建联配
7.5 附注
人物天地：Webb Miller
7.6 问题
8 图算法
8.1 图
8.2 图与遗传学
8.3 DNA测序
8.4 最短超字符串问题
8.5 作为可选择测序技术的DNA阵列
8.6 杂交测序
8.7 SBH与Hamilton路问题
8.8 SBH与欧拉路问题
8.9 DNA测序中的片段装配
8.10 蛋白质测序和鉴定
8.11 肽测序问题
8.12 谱图
8.13 基于数据库搜索的蛋白质鉴定
8.14 谱的卷积
8.15 谱联配
8.16 附注
8.17 问题
9 组合模式匹配
9.1 重复序列发现
9.2 哈希表
9.3 精确模式匹配
9.4 关键词树
9.5 后缀树
9.6 启发式相似性搜索算法
9.7 近似模式匹配
9.8 BLAST：依靠数据库的序列比较
9.9 附注
人物天地：Gene Myers
9.10 问题
10 聚类和树
10.1 基因表达分析
10.2 系统聚类
10.3 k-均值聚类
10.4 聚类和有瑕团
10.5 进化树
10.6 基于距离的树重构
10.7 由可加矩阵重构树
10.8 进化树与系统聚类
10.9 基于字符的树重构
10.10 小简约问题
10.11 大简约问题
10.12 附注
人物天地：Ron Shamir
10.13 问题
11 隐马氏模型
11.1 CG岛和“公平赌场”
11.2 公平赌场和隐马氏模型
11.3 解码算法
11.4 隐马氏模型参数估计
11.5 剖面隐马氏模型联配
11.6 附注
人物天地：David Haussler
11.7 问题
12 随机化算法
12.1 排序问题回顾
12.2 吉布斯抽样
12.3 随机投影
12.4 附注
12.5 问题
参考文献
索引

❼ 生物中，关于配子的计算方法

例如：杂合子（Aa）自交，求自交后代某一个体是杂合体的概率。

对此问题首先必须明确该个体是已知表现型还是未知表现型。

（1）若该个体表现型为显性性状，它的基因型有两种可能：AA和Aa。且比例为1∶2，所以它为杂合子的概率为2/3。

（2）若该个体为未知表现型，那么该个体基因型为AA、Aa和aa，且比例为1∶2∶1，因此它为杂合子的概率为1/2。

配子在生物计算中占有相当重要的地位，通过遗传图，能够清楚的观察出基因的流程及子代基因型的情况。

子一代杂种形成配子种数与杂交中包括的相对性状对数关系为2的n次方（n为相对性状对数）生物体在形成配子时，成对的遗传因子彼此分离，分别进入不同的配子中。配子中只含有每对遗传因子的一个。

(7)生物算法扩展阅读

配子之间不亲和的现象非常常见，尤其在植物界，通常表现为自交不亲和。现代遗传学告诉我们，近交可引起隐性有害基因的纯合，导致近交衰退。

植物固着生长无法移动，雌雄同花植物的花粉易取“近水楼台”之便而自花授粉，产生比近交更为严重的遗传效应。原来植物都会“以逸待劳”，利用风力、水流、昆虫等媒介尽可能远距离传播花粉。

而且，许多显花植物还有一项特殊本领，即便是正常可育花粉落到“自己的”柱头上也会阻止其完成受精过程，这就是所谓自交不亲和性。自交不亲和性在植物界中广泛分布，超过60%的被子植物都有这种特性，涉及大约320多个科。

自交不亲和指具有完全花并可以形成正常雌、雄配子，但缺乏自花授粉结实能力的一种自交不育性。具有自交不亲和性的作物有甘蓝、黑麦、白菜型油菜、向日葵、甜菜、白菜和甘薯等。根据花粉识别特异性的遗传决定方式，自交不亲和性分为配子体自交不亲和性和孢子体自交不亲和性两种类型。

1、配子体型自交不亲和性（GSI）

花粉在柱头上萌发后可侵入柱头，并能在花柱组织中延伸一段，此后就受到抑制。花粉管与雌性因素的抑制关系发生在单倍体配子体（即卵细胞与精细胞）之间。

常见于豆科、茄科和禾本科的一些植物。这种抑制关系的发生可以在花柱组织内，也可以在花粉管与胚囊组织之间；有的甚至是花粉管释放的精子已达胚囊内，但仍不能与卵细胞结合。

2、孢子体型自交不亲和性（SSI）

花粉落在柱头上不能正常发芽，或发芽后在柱头乳突细胞上缠绕而无法侵入柱头。由于这种不亲和关系发生在花粉管与柱头乳突细胞的孢子体之间，花粉的行为决定于二倍体亲本的基因型，因而称为孢子体型自交不亲和性，多见于十字花科和菊科植物。

❽ 生物遗传概率计算方法

上一代基因库中如果A占的百分比为x，那么相对的a所占百分比就是（1-x），那么子代中AA占x的平方、Aa占2x（1-x）、aa占（1-x）的平方。同样方法，像后面b占100%，那么B就是0，所以BB占0*0=0、Bb占0*100%=0、bb占100%*100%=100%。
在下面的题目中，首先只有b基因，所以后代肯定只有bb，可以不用考虑。而又知道Aa：AA=1:1，那么配子中A占3/4，a占1/4，所以按我前面提到的算法，子代AA占3/4*3/4=9/16，Aa占2*3/4*1/4=6/16，aa占1/4*1/4=1/16。其中，AA和aa如果只和同类型的交配，就只会生下同类型的子代AA和aa，属于稳定遗传，Aa交配会发生性状分离，不能稳定遗传（不知道这里稳定遗传是不是这么理解的）。所以能稳定遗传的个体占9/16+1/16=10/16=5/8，选B。

❾ 为什么说生物只是算法，生命是处理数据的

生物只是算法，生命是处理数据的，如果说把人体比作一个大型的计算机载体，把大脑比作是CPU，那么人真的就是一个处理数据的算法的集合，只不过这个数据的处理相当的高级，能够分出很多很多种不同的模块。

计算机处理数据的方式，它更多的是确定的，它是有框架的，它有基本的法则在里面，这是人们人为规定的，如果人们写了一个无限循环的程序计算机，在运行这个程序的时候，它就会进入死机的状态，因为他找不到出口就像进入了迷宫一样，但是人的大脑不会人碰到那些没有办法处理的数据会选择把它抛弃掉，暂时不理他，我们去进行下一项工作，所以我们的大脑是更加智能的。