群智能優(yōu)化算法及其在PPI網(wǎng)絡(luò)中的應(yīng)用研究

◆顏玲

群智能優(yōu)化算法及其在PPI網(wǎng)絡(luò)中的應(yīng)用研究

◆顏玲

（湘中幼兒師范高等專科學(xué)校 湖南 422000）

在當(dāng)前背景下，人類基因組計(jì)劃、生物信息技術(shù)得到了飛躍的發(fā)展，隨著生物數(shù)據(jù)的大規(guī)模增長(zhǎng)，對(duì)蛋白質(zhì)的研究力度也在不斷增加。蛋白質(zhì)本身并非分離組織之間密切結(jié)合，且發(fā)揮著不同的功能。蛋白質(zhì)之間相互作用的理念，應(yīng)用在網(wǎng)絡(luò)聚類上，能夠深入研究病理學(xué)，可助力于疾病的診斷，并促進(jìn)生物學(xué)、生物信息學(xué)、醫(yī)學(xué)等領(lǐng)域的發(fā)展。近幾年，很多研究人員提出了群體智能優(yōu)化算法，且將其應(yīng)用在各個(gè)領(lǐng)域當(dāng)中，但在使用與發(fā)展中，各自也存在著一定的局限性。布谷鳥算法本身簡(jiǎn)單，搜索易于實(shí)現(xiàn)，且需要的參數(shù)較少，其組成最為關(guān)鍵的部分為隨機(jī)游走、偏好隨機(jī)游走等，使用效率較高。本文研討的是蛋白質(zhì)+布谷鳥搜索的作用網(wǎng)絡(luò)，對(duì)其評(píng)價(jià)方式進(jìn)行針對(duì)性的研討。

群智能優(yōu)化算法；PPI網(wǎng)絡(luò)；研究

近年來(lái)，人們就蛋白質(zhì)相互作用進(jìn)行了探討，且對(duì)于其相互作用在網(wǎng)絡(luò)聚類中的應(yīng)用進(jìn)行了大量的研究，且被廣泛應(yīng)用在聚類算法當(dāng)中。良好聚類算法，會(huì)影響蛋白質(zhì)組學(xué)，且屬于直接的影響，能夠促進(jìn)相應(yīng)的發(fā)展。通常情況下，簇具備特定的作用，其識(shí)別也是一門藝術(shù)，能夠組建蛋白質(zhì)復(fù)合物，可展現(xiàn)不同的功能模塊。但是，隨著聚類算法數(shù)量的增加，也產(chǎn)生了新的聚類，生物學(xué)家將結(jié)果應(yīng)用在生化實(shí)驗(yàn)之前，其正確地評(píng)估十分的關(guān)鍵。不同聚類方法，可獲得差異較大的聚類數(shù)量、聚類大小，公平、合理的評(píng)價(jià)方式屬于當(dāng)前的難點(diǎn)。

1 群智能優(yōu)化算法

群居昆蟲的集體行為被稱為“智能”。個(gè)人的行為非常簡(jiǎn)單，但是在共同作用與努力之下，強(qiáng)調(diào)復(fù)雜的行為特征，并促進(jìn)新的進(jìn)化技術(shù)，展現(xiàn)群體智能的研究特點(diǎn)。其與人工生命有一定的特殊關(guān)系，涵蓋了進(jìn)化策略、遺傳算法等。

1.1 細(xì)菌覓食算法

在自然界當(dāng)中，大腸桿菌可借助自身的鞭毛，在可知環(huán)境內(nèi)不斷的游走，并找尋食物。有研究表明，在食物緊張的環(huán)境內(nèi)，細(xì)菌會(huì)隨機(jī)選擇一個(gè)方向，并試圖朝那個(gè)方向游一次。如果游泳后發(fā)現(xiàn)新地方食物充足，則繼續(xù)。這樣，它就可以向前游到游泳臺(tái)階的門檻。如新地點(diǎn)的食物，并不比原地點(diǎn)的豐富，細(xì)菌會(huì)重新開展選擇，且為隨機(jī)選擇，繼續(xù)進(jìn)行食物的搜索。筆者認(rèn)為，細(xì)菌的生存與達(dá)爾文的理念十分的契合，在當(dāng)前環(huán)境中，假設(shè)食物豐富，細(xì)菌會(huì)分裂，產(chǎn)生不同的新個(gè)體；若是惡劣的環(huán)境，則細(xì)菌會(huì)出現(xiàn)死亡，或者是出現(xiàn)遷移現(xiàn)象。細(xì)菌采集優(yōu)化算法本身在大腸桿菌基礎(chǔ)上的新型仿生算法，能夠進(jìn)行大腸內(nèi)吞咽行為與咀嚼行為，屬于全軍隨機(jī)搜索的算法。這一算法的步驟主要包括：趨向性、復(fù)制性、遷徙性。

1.1.1 趨向性操作

搜集細(xì)菌在營(yíng)養(yǎng)豐富區(qū)域的行為，在此過(guò)程內(nèi)，其行為被稱之為游泳、旋轉(zhuǎn)，細(xì)菌沿著指定的方向叫游泳，隨機(jī)方向被稱之為旋轉(zhuǎn)。如果細(xì)菌后明顯改善健康的新職位價(jià)值完整的旋轉(zhuǎn)，它將繼續(xù)朝著這個(gè)方向走，直到健康值不在預(yù)定閾值改進(jìn)或移動(dòng)一步。當(dāng)位置變得糟糕，細(xì)菌會(huì)繼續(xù)旋轉(zhuǎn)。

1.1.2復(fù)制操作

在食物極其豐富的環(huán)境中，當(dāng)細(xì)菌在生命期的結(jié)束，他們將成為趨化作用，而不是繁殖。細(xì)菌由兩個(gè)部門創(chuàng)建一個(gè)新的實(shí)體，能夠收集與自己相同?；镜纳尺^(guò)程要遵循“適者生存”的原則，依照耐細(xì)菌趨化性的特點(diǎn)，其積累的細(xì)菌收成不好，死一半，另一半會(huì)回到良好的細(xì)菌，這樣我們就能夠加快搜索的速率細(xì)菌。

1.1.3遷徙操作

細(xì)菌所在的位置不好，缺乏食物和細(xì)菌，可以殺掉一個(gè)細(xì)菌，和新個(gè)體隨機(jī)合成的解空間中，細(xì)菌有差異的收集能力。那些新個(gè)體隨機(jī)合成的遷移具體任務(wù)可能更趨近全局最優(yōu)化的解決方案，這將幫助他們不落入局部最優(yōu)化找到全局最優(yōu)化解。

1.2 布谷鳥算法

布谷鳥有一種特殊的繁殖行為，叫做巢寄生。在繁殖的季節(jié)，其可以找到新鮮蛋，或者是繁殖的宿主，蛋的形狀與顏色比較容易模仿，將雞蛋放在宿主的鳥巢內(nèi)進(jìn)行孵化。考慮布谷鳥蛋的大小、宿主差異，認(rèn)為兩者不存在明顯的差異，很難找到宿主。遵循李維斯的隨機(jī)行走理念，假設(shè)步態(tài)長(zhǎng)度與分布較為穩(wěn)定。這些散漫的步態(tài)多為近距離地交替進(jìn)行，且不停地進(jìn)行探索，開展長(zhǎng)距離的散步。借助智能優(yōu)化算法，引入專門的Levi Flight技術(shù)，能夠擴(kuò)展搜索范圍，可確保整體的多樣性，能夠?qū)崿F(xiàn)全局優(yōu)化，構(gòu)建輕松的局面。布谷鳥的繁殖行為與李維斯提出的飛行行為較為相似，本文設(shè)計(jì)了一種布谷鳥搜索算法，以此模擬布谷鳥的筑巢。布谷鳥搜索算法建設(shè)的三種理念主要包括：（1）布谷鳥一次只可下蛋1個(gè)，且隨機(jī)進(jìn)行孵化選擇；（2）隨機(jī)選擇一組鳥巢，將最好的鳥巢留給下一代；（3）可選擇固定的巢穴數(shù)量，知曉巢穴的外來(lái)PA。布谷鳥在其孵化階段，其與生長(zhǎng)產(chǎn)物比較相似，發(fā)現(xiàn)的可能性也隨之降低，數(shù)值一般控制在0-1的區(qū)間范圍之內(nèi)。

李維斯飛行屬于隨機(jī)行走的一類，其行走的步長(zhǎng)比較的穩(wěn)定，重尾在多氛圍下進(jìn)行。屬于形式內(nèi)的行走，能夠開展短距離的探索。也可偶爾開展長(zhǎng)距離的行走，通過(guò)將智能優(yōu)化算法納入其中，可實(shí)現(xiàn)搜索范圍的擴(kuò)大，增加種群的多樣性，以此實(shí)現(xiàn)局部最佳。最為關(guān)鍵的是，能夠?qū)⒕窒扌酝黄啤?/p>

基于此，本文選擇的布谷鳥算法，其流程主要如下；

Step1：目標(biāo)函數(shù)為f（X），假設(shè)初始群體為X=（xr，x2，…，xa）T，隨機(jī)產(chǎn)生n個(gè)鳥窩，其初始位置 X（i=1，2，…，n），設(shè)定相應(yīng)的位置參數(shù)，并將其表現(xiàn)出來(lái)；

Step2：計(jì)算鳥窩內(nèi)的目標(biāo)函數(shù)值，將最優(yōu)解詳細(xì)的（地）記錄下來(lái)；

Step3：保留之前鳥窩的位置，結(jié)合位置，更新公式，并將其他鳥窩位置更新；

Step4：對(duì)比兩代鳥窩，若不存在缺陷，需要選擇最佳的位置；

Step5：用隨機(jī)數(shù)R，看作是鳥窩主人發(fā)現(xiàn)外來(lái)鳥蛋的概率，與Pa對(duì)比，假設(shè)P比Pa大，隨機(jī)改變鳥窩的位置，以此獲得全新的鳥窩位置；

Step6：若未能契合結(jié)束條件，則返回到第二步，確保輸出位置屬于全局內(nèi)為最優(yōu)位置。

2 基于布谷鳥搜索機(jī)理的網(wǎng)絡(luò)聚類算法研究

二十世紀(jì)下半葉，啟發(fā)式智能算法出現(xiàn)，其將遺傳、蟻群、粒子聚類算法包含其中。通過(guò)模擬生物行為，借助自然現(xiàn)象，可實(shí)現(xiàn)問題的優(yōu)化。其屬于計(jì)算機(jī)算法設(shè)計(jì)、計(jì)算機(jī)分析領(lǐng)域的特點(diǎn)。結(jié)合rhododendron算法，本文借助相應(yīng)的建議，簡(jiǎn)單有效地將其應(yīng)用在蛋白質(zhì)作用網(wǎng)絡(luò)內(nèi)，其搜索路徑良好，仿真結(jié)果也比較好。

2.1 蛋白質(zhì)結(jié)點(diǎn)之間的相似性

在蛋白質(zhì)網(wǎng)絡(luò)中，有m行n列載體Xm。表示m與n之間蛋白質(zhì)的相互作用，可反應(yīng)效應(yīng)的大小。若是兩種的蛋白質(zhì)之間存在相互的作用，則將兩種蛋白質(zhì)相互作用的大小定義為兩種蛋白質(zhì)之間的權(quán)重值，如果兩種蛋白質(zhì)相互分離，則該值定義為零。

2.2 目標(biāo)函數(shù)

在蛋白質(zhì)的網(wǎng)絡(luò)當(dāng)中，k節(jié)點(diǎn)度定義相連蛋白質(zhì)節(jié)點(diǎn)，可展現(xiàn)清晰的邊數(shù)，節(jié)點(diǎn)Wd的權(quán)值表示與該蛋白質(zhì)節(jié)點(diǎn)相連的所有邊的權(quán)值之和。一個(gè)節(jié)點(diǎn)的加權(quán)聚合度WK是與該節(jié)點(diǎn)相連的所有節(jié)點(diǎn)（除其他節(jié)點(diǎn)外）的兩兩權(quán)值之和。相互作用在加權(quán)蛋白網(wǎng)絡(luò)內(nèi)，可獲得復(fù)合特征價(jià)值。該網(wǎng)絡(luò)綜合特征值不僅將模塊蛋白質(zhì)與周圍蛋白質(zhì)考慮其中，并探尋其連鎖關(guān)系，結(jié)合蛋白質(zhì)意外的連鎖強(qiáng)度，調(diào)整了蛋白質(zhì)的比例。每一部分的形狀和組成。因此，它可以作為衡量蛋白質(zhì)網(wǎng)絡(luò)聚類結(jié)果的目標(biāo)函數(shù)。

2.3 基于布谷鳥的搜索機(jī)理

PPI網(wǎng)絡(luò)聚類算法的解釋是對(duì)原始數(shù)據(jù)進(jìn)行分割，使分割后的組具有特定的意義或有用性。當(dāng)人們進(jìn)行分化時(shí)，他們的基礎(chǔ)是盡可能促使同類型的東西相似，不同類型的盡可能不同。蛋白質(zhì)網(wǎng)絡(luò)具備顯著的模塊化特點(diǎn)，其可聚集在一起。就蛋白質(zhì)網(wǎng)絡(luò)的類，一簇蛋白質(zhì)的相似度較大，與不同組別蛋白質(zhì)的相似度很少。這一算法的應(yīng)用，能夠確保較好的聚類效果。使用布谷鳥算法開展聚類時(shí)，每個(gè)布谷鳥對(duì)應(yīng)一個(gè)蛋白質(zhì)，鳥巢則對(duì)應(yīng)聚類中心。在集群化前，需要預(yù)處理相應(yīng)的數(shù)據(jù)。

2.3.1數(shù)據(jù)的預(yù)處理及候選中心點(diǎn)的選取

為更好地開展數(shù)據(jù)處理，我們用數(shù)字給蛋白質(zhì)命名，也就是說(shuō)，我們給每個(gè)蛋白質(zhì)分配一個(gè)數(shù)字。這導(dǎo)致程序運(yùn)行階段，數(shù)據(jù)計(jì)算得到有效簡(jiǎn)化。算法可實(shí)現(xiàn)快速的運(yùn)算，能夠有效計(jì)算。在初始化聚類中心之后，能夠?qū)⒕W(wǎng)絡(luò)節(jié)點(diǎn)結(jié)合，可以包含網(wǎng)絡(luò)邊緣的相關(guān)信息，以此借助網(wǎng)絡(luò)綜合特征，展現(xiàn)其利用率，凸顯不同的閾值，進(jìn)行中心點(diǎn)選取。如果網(wǎng)絡(luò)的組合特征值大于給定的相關(guān)閾值，節(jié)點(diǎn)屬于初始簇中心。為加速收斂速度，實(shí)現(xiàn)速度的提升，需要展現(xiàn)種群的多樣性，簇中心為M群。確保每個(gè)組的聚類中心不會(huì)出現(xiàn)重復(fù)，確保各個(gè)組之間的聚類中心出現(xiàn)重疊。

2.3.2算法的具體步驟

步驟1：根據(jù)數(shù)據(jù)預(yù)處理的程度和閾值以及綜合網(wǎng)絡(luò)特征值選擇候選聚類中心，初始化zucluster，設(shè)置參數(shù)度的閾值d rhreshold，綜合網(wǎng)絡(luò)特征值的閾值。相似度閾值sim閾值，最大迭代次數(shù)maxiter和訪問的訪問ID。

步驟2：根據(jù)李維斯的飛行從候選解決方案中隨機(jī)選擇一組m個(gè)鳥巢（集合中心）。每組有n個(gè)鳥巢。如果有兩組完全相同的鳥巢，則我們隨機(jī)選擇以下一組之一：它是一個(gè)重疊的組。m組的鳥巢根據(jù)相似度分別聚類，相似度越大，發(fā)現(xiàn)異卵的可能性就越小，從而獲得m組聚類的結(jié)果。

步驟3：根據(jù)適應(yīng)度值，按升序?qū)組和zuchuster的聚類結(jié)果進(jìn)行排序，選擇最合適的組并將其記錄為當(dāng)前的zucluster。依次，我們將每個(gè)組的適應(yīng)度值較大的聚類模塊與適應(yīng)性值最小或最新zucluster中聚類中心相同的模塊進(jìn)行比較。如果群集中心相同，我們將使用適合性更高的模塊替換現(xiàn)代zucluster。比較后的價(jià)值。同中心內(nèi)，適應(yīng)值較小模塊，其群集中心展現(xiàn)不同的特點(diǎn)?，F(xiàn)代zucluster內(nèi)，若適應(yīng)值大于最小模塊的適應(yīng)值，可將其替換掉。為下一代保留最佳的聚類結(jié)果。

步驟4：如果r=+ 1，Kmaxiter，請(qǐng)返回步驟2，否則請(qǐng)轉(zhuǎn)到步驟5。

第5步：打印出最佳的群體解決方案zucluster并評(píng)估結(jié)果。

2.3.3聚類過(guò)程細(xì)節(jié)

（1）開始聚類時(shí)，它不是從傳統(tǒng)上與所有聚類中心進(jìn)行比較，而是從每個(gè)聚類中心開始，并根據(jù)鄰域逐層進(jìn)行。

（2）由于新嵌套的數(shù)量是固定的，所以在聚類過(guò)程中，如果相鄰節(jié)點(diǎn)是另一個(gè)滿足相似性閾值的中心點(diǎn)，則該相鄰中心點(diǎn)將從候選中心變?yōu)榫垲愔行?。它尚未被訪問過(guò)，并且與該組的原始群集中心不重疊以填補(bǔ)既往的空缺。

（3）在對(duì)比每組聚類結(jié)果、最佳組結(jié)果期間，需要將聚類中心確定，查看其是否為最佳組內(nèi)的聚類中心成員，如果是，則找到最佳組位置上的位置并同時(shí)執(zhí)行比較。否則，在排序之后，將其與最佳組的第一個(gè)元素進(jìn)行比較。

2.4 性能分析和實(shí)驗(yàn)仿真

該算法的成本與節(jié)點(diǎn)數(shù)N本身屬于線性的關(guān)系。若是在最壞的情況下，未見明顯的噪聲，未能找到噪聲點(diǎn)，針對(duì)遍布在網(wǎng)絡(luò)內(nèi)的每個(gè)節(jié)點(diǎn)，算法時(shí)間的復(fù)雜度則用O（N）表示。

分析算法時(shí)，效率主要體現(xiàn)在兩點(diǎn)：

（1）中心點(diǎn)的選擇遵循蛋白質(zhì)網(wǎng)絡(luò)的非標(biāo)準(zhǔn)和亞世界特征，并且實(shí)際上選擇了更可能的中心點(diǎn)。當(dāng)圍繞它們進(jìn)行聚類時(shí)，遍歷首先基于寬度，從而避免了將所有節(jié)點(diǎn)與所有中心點(diǎn)進(jìn)行比較的傳統(tǒng)成本。

（2）從中心點(diǎn)開始遍歷時(shí)，將尚未訪問的另一個(gè)中心點(diǎn)作為一般中心點(diǎn)，并且如果滿足閾值條件，則將其歸為此類，從而避免后續(xù)模塊合并。

3 結(jié)束語(yǔ)

綜上所述，本文分析可得知，在蛋白質(zhì)相互作用內(nèi)，納入布谷鳥算法，聚類內(nèi)算法能夠在新窗口對(duì)應(yīng)聚類中心。新的雞蛋能夠?qū)?yīng)單一的蛋白質(zhì)，簇則是其分割的結(jié)果。為實(shí)現(xiàn)解決方案質(zhì)量的提升，每個(gè)時(shí)代均選擇m聚類中心組，在聚類之后，對(duì)比一般組的最佳模塊，在最佳組內(nèi)替換掉最差模塊，將聚類的收斂性提升?；诖?。本文設(shè)計(jì)的聚類，能夠?qū)崿F(xiàn)重要參數(shù)的討論，結(jié)果表明，網(wǎng)絡(luò)參數(shù)相似性與綜合性有效，其算法優(yōu)于人工與功能算法，有效性比較顯著。

[1]吳春瓊，鄢冰文，郁榕睿，等.群智能優(yōu)化算法下網(wǎng)絡(luò)輿情信息的認(rèn)知與應(yīng)對(duì)[J].信息系統(tǒng)工程，2021（01）：70-73.

[2]溫曉珍. 融合定位機(jī)制修正與種群智能優(yōu)化的無(wú)線傳感器網(wǎng)絡(luò)定位算法[D].江西理工大學(xué)，2020.

[3]張標(biāo). 基于多屬性決策與群智能優(yōu)化的異構(gòu)無(wú)線網(wǎng)絡(luò)選擇算法[D].華南理工大學(xué)，2019.

[4]丁玉連. 基于群智能優(yōu)化的動(dòng)態(tài)蛋白質(zhì)復(fù)合物和關(guān)鍵蛋白質(zhì)識(shí)別算法研究[D].陜西師范大學(xué)，2017.

[5]劉衍民.神經(jīng)網(wǎng)絡(luò)穩(wěn)定性及在群智能優(yōu)化算法中應(yīng)用研究[D].遵義師范學(xué)院，2016.

[6]尤夢(mèng)麗. 群智能優(yōu)化算法及其在PPI網(wǎng)絡(luò)中的應(yīng)用及評(píng)價(jià)研究[D].陜西師范大學(xué)，2014.

[7]馮紅紅. 群智能優(yōu)化算法及其在無(wú)線傳感器網(wǎng)絡(luò)布局中的應(yīng)用[D].吉林大學(xué)，2012.

[8]黃旭. 群智能優(yōu)化算法及其在PPI網(wǎng)絡(luò)中的應(yīng)用研究[D].陜西師范大學(xué)，2011.

湖南省教育廳科學(xué)技術(shù)研究重點(diǎn)項(xiàng)目（20A450）；湖南省教育廳科學(xué)技術(shù)研究一般項(xiàng)目（19C1808）