×
劳拉·卡维特;塞尔吉奥·贝尼托;安吉尔·A·胡安。;费兰·普拉多斯

关于元启发式优化在生物信息学中的作用。 （英语） Zbl 07745317号

国际事务处理。操作。研究。 第6期第30期，邮编：2909-2944（2023）.
摘要：元启发式算法被用于解决许多不同领域的复杂大规模优化问题，从交通和智能城市到金融。本文讨论了如何应用元启发式算法来解决生物信息学领域的不同优化问题。虽然本文提供了该领域中许多优化问题的参考，但它侧重于那些已引起优化社区更多兴趣的问题。在分析的问题中，本文更详细地讨论了分子对接问题、蛋白质结构预测、系统发育推断和不同的字符串问题。此外，还提供了其他相关优化问题的参考，包括与医学成像或分类基因选择相关的优化问题。根据前面的分析，本文为生物信息学领域的运筹学和计算机科学界提供了研究机会。
{©2022作者。运筹学国际交易由John Wiley&Sons Ltd代表国际运筹学协会联合会出版}

MSC公司：

90倍X 运筹学、数学规划

关键词：

元启发式;生物信息学;组合优化

软件：

ClustalW公司;MAFFT公司;MOEA/D公司;jMetalCpp公司;卡林;巴利巴斯;SPEA2公司;肌肉;RAxML公司;SPAdes系列;R（右）;集群
PDF格式BibTeX公司 XML格式引用
\textit{L.Calvet}等人，国际事务。操作。第30号决议，第6号，2909--2944（2023年；Zbl 07745317）
全文： 内政部 链接
OA许可证

参考文献：

[1] Abate，A.R.，Hung，T.，Sperling，R.A.，Mary，P.，Rotem，A.，Agresti，J.J.，Weiner，M.A.，Weitz，D.A.，2013年。基于液滴的微流体的DNA序列分析。芯片实验室13，24，4864-4869。
[2] Ali，A.B.，Luque，G.，Alba，E.，2020年。一种有效的离散粒子群优化算法，结合快速局部搜索启发式算法求解DNA片段组装问题。信息科学512、880-908。
[3] Ali，A.B.，Luque，G.，Alba，E.，Melkemi，K.E.，2017年。一种用于DNA片段组装问题的改进的问题感知局部搜索算法。软计算211709-1720。
[4] Ali，A.F.，Hassanien，A.E.，2016年。生物信息学应用的元启发式方法综述。智能优化在生物学和医学中的应用。柏林施普林格出版社，第23-46页。
[5] Allaoui，M.、Ahiod，B.、El Yafrani，M.，2018年。一种求解DNA片段组装问题的混合群搜索算法。专家系统与应用程序102，44-56。
[6] Alvarez，S.、Ferone，D.、Juan，A.A.、Silva，D.G.、deArmas，J.，2018年。针对无容量单一分配中心中值问题的2阶段有偏随机迭代局部搜索。新兴电信技术交易29，9，e3418。
[7] Alvarez，S.、Juan，A.A.、deArmas，J.、e Silva，D.G.、Riera，D.，2018年。电信系统中的元启发式：网络设计、路由和分配问题。IEEE系统杂志12，4，3948-3957。
[8] Archetti，C.，Speranza，M.G.，2014年。路由问题的数学方法综述。欧洲计算优化杂志2，4，223-246·Zbl 1314.90021号
[9] Axelson‐Fisk，M.，2010年。比较基因发现。在比较基因发现中。柏林施普林格出版社，第157-180页·Zbl 1296.92004号
[10] Bankevich，A.，Nurk，S.，Antipov，D.，Gurevich，A.A.，Dvorkin，M.，Kulikov，A.S.，Lesin，V.M.，Nikolenko，S.I.，Pham，S。SPAdes：一种新的基因组组装算法及其在单细胞测序中的应用。计算生物学杂志19，5，455-477。
[11] B.尤图，A.，Luchian，H.，2010年。基于粒子群优化的格子模型蛋白质结构预测。国际蜂群智能会议。柏林施普林格出版社，第512-519页。
[12] Baylis，C.，Juan，A.A.，Currie，C.S.，Panadero，J.，2020年。一种针对无人机运动约束的团队定向问题的学习启发式方法。应用软计算92，106280。
[13] Bejinariu，S.I.，Costin，H.，2018年。比较了一些应用于生物医学图像配准的自然启发优化元启发式。医学信息方法57，280-286。
[14] Belloso，J.、Juan，A.A.、Faulin，J.，2019年。针对车队规模和回程混合车辆路线问题的迭代有偏随机启发式算法。《国际运筹学汇刊》26，1289-301·兹比尔07765940
[15] Blazewicz，J.、Burke，E.K.、Kendall，G.、Mruczkiewicz，W.、Oguz，C.、Swiercz，A.，2013年。通过DNA序列杂交进行测序的超启发式方法。《运筹学年鉴》207，1，27-41·Zbl 1272.90117号
[16] Blazewicz，J.，Oguz，C.，Swiercz，A.，Weglarz，J..，2006年。通过遗传搜索杂交进行DNA测序。《运筹学》54，6，1185-1192·Zbl 1167.68468号
[17] Blum，C.，2010年。波束-ACO用于最长的常见子序列问题。进化计算大会。IEEE，新泽西州皮斯卡塔韦，第1-8页。
[18] Blum，C.，2016年。构造、合并、求解和适配：应用于不平衡最小公共字符串分区。混合元启发式国际研讨会，柏林施普林格，第17-31页。
[19] Blum，C.，2020年。最小公共字符串分区：关于解决大规模问题实例。《国际运筹学汇刊》27，91-111·Zbl 07766416号
[20] Blum，C.，Blesa，M.J.，2016年。构建、合并、解决和调整：应用于无重复最长公共子序列问题。《组合优化中的进化计算》，柏林施普林格出版社，第46-57页·Zbl 1519.68322号
[21] Blum，C.，Blesa，M.J.，2018a。无重复最长公共子序列问题的元启发式综合比较。启发式杂志24，3，551-579。
[22] Blum，C.，Blesa，M.J.，2018b。基于解决最长公共子序列问题的简化问题实例的混合技术。应用软计算62，15-28。
[23] Blum，C.，Blesa，M.J.，Calvo，B.，2013年。无重复最长公共子序列问题的波束ACO。国际人工进化会议。柏林施普林格出版社，第79-90页·Zbl 1519.68321号
[24] Blum，C.，Festa，P.，2014年。针对最远字符串问题的混合蚁群优化算法。欧洲组合优化进化计算会议。施普林格，柏林，第1-12页。
[25] Blum，C.，Festa，P.，2016年。生物信息学中字符串问题的元启发式。John Wiley&Sons，新泽西州霍博肯。
[26] Blum，C.，Lozano，J.A.，Davidson，P.，2015年。求解最小公共字符串划分问题的数学规划策略。《欧洲运筹学杂志》242，3，769-777·兹比尔1341.90107
[27] Blum，C.，Lozano，J.A.，Davidson，P.P.，2014年。最小公共字符串划分问题的迭代概率树搜索。混合元启发式国际研讨会。柏林施普林格出版社，第145-154页。
[28] Blum，C.，Pinacho，P.，López‐Ibáñez，M.，Lozano，J.A.，2016年。构造、合并、求解和自适应：一种新的组合优化通用算法。计算机与运营研究68，75-88·Zbl 1349.90705号
[29] Blum，C.，Raidl，G.R.，2016年。最小公共字符串划分问题的两个整数线性规划模型的计算性能评估。优化信函10，1，189-205·Zbl 1339.90236号
[30] Bošković，B.，Brest，J.，2016年。基于三维AB离格模型的蛋白质折叠优化的差异进化。分子模型杂志22，10，252。
[31] Bošković，B.，Brest，J.，2020年。三维AB离格模型上的两级蛋白质折叠优化。Swarm和进化计算57，100708。
[32] Boucher，C.，Landau，G.M.，Levy，A.，Pritchard，D.，Weimann，O.，2013年。关于具有离群值的近似字符串选择问题。理论计算机科学498107-114·Zbl 1296.68202号
[33] Boussaid，I.，Lepagnot，J.，Siarry，P.，2013年。优化元启发式研究综述。信息科学237，82-117·Zbl 1321.90156号
[34] Brudno，M.、Chapman，M.、Göttgens，B.、Batzoglou，S.、Morgenstern，B.，2003年。快速、敏感的大基因组序列多重比对。BMC生物信息学4，1，66。
[35] Cabrera，G.、Juan，A.A.、Lázaro，D.、Marquès，J.M.、Proskurnia，I.，2014年。一种模拟优化方法，用于在具有用户提供资源的大型系统中部署互联网服务。模拟90，6，644-659。
[36] Calvet，L.、Juan，A.A.、Serrat，C.、Ries，J.，2016年。基于统计学习的元启发式参数微调方法。统计与运营研究交易1，1，201-224·Zbl 1351.90169号
[37] Caserta，M.，Voß，S.，2014年。一种用于DNA测序问题的混合算法。离散应用数学163，87-99·Zbl 1352.92110号
[38] Castelli，M.，Beretta，S.，Vanneschi，L.，2013年。无重复最长公共子序列问题的混合遗传算法。运营研究信件41、6、644-649·Zbl 1287.90052号
[39] Chaabane，L.，2018年。蛋白质多序列比对问题的混合求解器。生物信息学和计算生物学杂志16，4，1850015。
[40] Chica，M.，Juan，A.A.，Baylis，C.，Cordón，O.，Kelton，W.D.，2020年。为什么使用模拟启发法？将元启发式与模拟相结合时的优点、局限性和最佳实践。统计与运营研究交易44，2，311-334·Zbl 1472.68181号
[41] Chikhi，R.，Limasset，A.，Medvedev，P.，2016年。从测序数据中快速压缩de Bruijn图，且内存不足。生物信息学32，12，i201-i208。
[42] Chmielecki，J.，Meyerson，M.，2014年。癌症的DNA测序：我们学到了什么？药物年度回顾65，63-79。
[43] Chowdhury，B.，Garai，G.，2017年。从遗传算法的角度综述了多序列比对。基因组学109，5-6，419-431。
[44] Cohen，J.，2004年。生物信息学：计算机科学家简介。ACM计算调查（CSUR）36、2、122-158。
[45] Corne，D.W.，Fogel，G.B.，2003年。为计算机科学家介绍生物信息学。生物信息学中的进化计算。爱思唯尔，阿姆斯特丹，第3-18页。
[46] Corpet，F.，1988年。多序列比对与层次聚类。核酸研究16，22，10881-10890。
[47] Dabba，A.，Tari，A.，Zouache，D.，2019年。多序列比对的多目标人工鱼群算法。信息系统和运筹学58、38-59·Zbl 1512.92058号
[48] Dang，T.，Kishino，H.，2019年。贝叶斯系统发育学的随机变分推理：以CAT模型为例。分子生物学与进化36，4，825-833。
[49] De Bruyn，A.，Martin，D.P.，Lefeuvre，P.，2014年。系统发育重建方法综述。分子生物学方法1115257-277。
[50] Deb，K.，Jain，H.，2013年。使用基于参考点的非支配排序方法的进化多目标优化算法，第一部分：解决带有方框约束的问题。进化计算学报18，4，577-601。
[51] Deb，K.，Pratap，A.，Agarwal，S.，Meyarivan，T.，2002年。一种快速的精英多目标遗传算法：NSGA‐II。IEEE进化计算汇刊6182-197。
[52] Della Croce，F.，Garraffa，M.，2014年。最近字符串问题的选择固定算法。计算机与运营研究41，24-30·Zbl 1348.90472号
[53] Dill，K.A.，1985年。球状蛋白质的折叠和稳定性理论。《生物化学》24，6，1501-1509。
[54] Doering，J.，Kizys，R.，Juan，A.A.，Fito，A.，Polat，O.，2019年。丰富投资组合优化和风险管理的元启发式：当前状态和未来趋势。运筹学视角6100121。
[55] Dorigo，M.，1992年。优化、学习和自然算法。米兰理工大学博士论文。
[56] Drmanac，R.、Drmanac、S.、Chui，G.、Diaz，R.，Hou，A.、Jin，H.、Jin、P.、Kwon，S.、Lacy，S.，Moeur，B.、Shafto，J.、Swanson，D.、Ukrainczyk，T.、Xu，C.、Little，D.，2002年。杂交测序（SBH）：优势、成就和机遇。芯片内技术。柏林施普林格出版社，第75-101页。
[57] Dutheil，J.、Gaillard，S.、Bazin，E.、Glémin，S.，Ranwez，V.、Galtier，N.、Belkhir，K.，2006年。Bio++：一组用于序列分析、系统发育学、分子进化和群体遗传学的C++库。BMC生物信息7，1，1-6。
[58] Eberhart，R.，Kennedy，J.，1995年。粒子群优化。神经网络会议，第4卷。IEEE，新泽西州皮斯卡塔韦，第1942-1948页。
[59] 埃德加，R.C.，2004年。肌肉：高精度和高通量的多序列比对。核酸研究32，5，1792-1797。
[60] Farmer，J.D.，Packard，N.H.，Perelson，A.S.，1986年。免疫系统、适应和机器学习。《物理学D：非线性现象》22，1‐3187-204。
[61] Felix，B.，2015年。系统发育学：追踪生物的进化遗产，转移克隆生物活性化合物和语言。系统发育与进化生物学杂志3，2，1000。
[62] Felsenstein，J.，1978年。进化树的数量。系统生物学27，1，27-33。
[63] Feo，T.A.，Resende，M.G.，1995年。贪婪的随机自适应搜索程序。《全球优化杂志》6，2，109-133·Zbl 0822.90110号
[64] Ferdous，S.，Rahman，M.S.，2013年。利用蚂蚁求解最小公共字符串划分问题。国际蜂群智能会议。柏林施普林格，第306-313页。
[65] Ferdous，S.，Rahman，M.S.，2015年。最小公共字符串划分问题的整数规划公式。公共科学图书馆ONE10，7。
[66] Ferdous，S.，Rahman，M.S.，2017年。利用蚂蚁求解最小公共字符串划分问题。计算机科学中的数学11，2，233-249·Zbl 1409.68270号
[67] Ferone，D.，Festa，P.，Resende，M.G.，2013年。混合元启发式用于最远的字符串问题。混合元启发式国际研讨会。柏林施普林格出版社，第174-188页。
[68] Ferone，D.，Festa，P.，Resende，M.G.，2016年。GRASP与路径重新链接的混合用于最远的字符串问题。《运筹学国际交易》23，3，481-506·兹比尔1342.90161
[69] Ferone，D.，Gruler，A.，Festa，P.，Juan，A.A.，2019年。通过有偏随机和模拟增强和扩展经典GRASP框架。运筹学学会杂志70，8，1362-1375。
[70] Ferrer，A.，Guimarans，D.，Ramalhinho，H.，Juan，A.A.，2016年。BRILS元启发式算法，用于解决具有故障风险成本的非平稳流程车间问题。应用专家系统44，177-186。
[71] Fertin，G.，Labarre，A.，Rusu，I.，Vialette，S.，Tannier，E.，2009年。基因组重排组合学。麻省理工学院出版社，马萨诸塞州剑桥·Zbl 1170.92022号
[72] Flouri，T.、Izquierdo‐Carrasco，F.、Darriba，D.、Aberer，A.J.、Nguyen，L.T.、Minh，B.、Von Haeseler，A.、Stamatakis，A.，2015年。系统发育似然库。系统生物学64，2，356-362。
[73] Gallardo，J.E.，Cotta，C.，2015年。一种基于GRASP的模因算法，具有路径重新链接功能，用于解决最远的字符串问题。人工智能的工程应用41183-194。
[74] 加西亚·戈多伊（García‐Godoy，M.J.）、洛佩斯·卡马乔（López‐Camacho，E.）、加西亚·尼托（Garcáa‐）、德尔塞尔（Del Ser）、内布罗（Nebro，a.J.）和阿尔达纳·蒙特斯（Aldana‐Montes，J.F.），2019年。分子对接问题的生物启发优化：最新进展、最新结果和展望。应用软计算79，30-45。
[75] 加西亚·戈多伊（García‐Godoy，M.）、洛佩斯·卡马乔（López‐Camacho，E.）、加西亚·尼托（Garcáa‐）、内布罗（Nebro，a.）、阿尔达纳·蒙特斯（Aldana‐Montes，J.），2015年。用多目标元启发式解决分子对接问题。分子20，6，10154-10183。
[76] Garnier，R.、Guyeux，C.、Couchot，J.F.、Salomon，M.、Al-Nuaimi，B.、AlKindy，B.，2018年。比较元启发式方法以测量基因对系统发育支持和拓扑的影响。BMC生物信息学19、7、218。
[77] Ge，H.，Yu，J.，Sun，L.，Wang，Z.，Yao，Y.，2019年。利用基于随机投影和粒子群优化的集成策略发现DNA模体。2019年工程中的数学问题。https://doi.org/10.1155/2019/3854646 ·doi:10.1155/2019/3854646
[78] Gendreau，M.，Potvin，J.Y.，2019年。元启发式手册（第3版）。柏林施普林格·Zbl 1397.90001号
[79] Gheraibia，Y.、Moussaoui，A.、Kabir，S.、Mazouzi，S.，2016年。Pe‐DFA：企鹅DNA片段组装的搜索优化算法。国际应用元启发式计算杂志7，2，58-70。
[80] 格洛弗，F.，1977年。使用代理约束的整数编程启发式。决策科学8，1156-166。
[81] 格洛弗，F.，1986年。整数编程和人工智能链接的未来路径。计算机与运营研究13，5，533-549·Zbl 0615.90083号
[82] Glover，F.W.，Kochenberger，G.A.，2006年。元启发式手册，第57卷。柏林施普林格科技与商业媒体。
[83] Gohardani，S.A.，Bagherian，M.，Vaziri，H.，2019年。一种多目标帝国主义竞争算法（MOICA），用于发现DNA序列中的模体。数学生物科学与工程16，3，1575·Zbl 1497.92184号
[84] Goldstein，A.，Kolman，P.，Zheng，J.，2004年。最小公共字符串划分问题：硬度和近似值。算法与计算国际研讨会。柏林施普林格出版社，第484-495页·Zbl 1116.68472号
[85] González‐Alvarez，D.L.，Vega‐Rodríguez，M.A.，Gómez‐Pulido，J.A.，Sánchez‐Pérez，J.M.，2013年。比较DNA模体发现的多目标群体智能元启发式。人工智能的工程应用26，1，314-326。
[86] González‐Alvarez，D.L.，Vega‐Rodríguez，M.A.，Ar.Rubio‐Largo。，2015.DNA序列中模体发现的多目标优化算法。遗传编程和进化机器16，2，167-209。
[87] González‐Martín，S.、Juan，A.A.、Riera，D.、Castellá，Q.、Muñoz，R.、Pérez，A.，2012年。电弧布线问题的SHARP和RandSHARP算法的开发和评估。AI通信25、2、173-189。
[88] Gruler，A.、Panadero，J.、deArmas，J.，Moreno，J.A.、Juan，A.A.，2018年。将可变邻域搜索与模拟相结合，研究随机需求和缺货的库存路径问题。计算机与工业工程123，278-288。
[89] Gruler，A.，Quintro‐Araújo，C.L.，Calvet，L.，Juan，A.A.，2017年。不确定性下的废物收集：基于可变邻域搜索的模拟启发式。《欧洲工业工程杂志》11，2，228-255。
[90] Guimarans，D.，Dominguez，O.，Panadero，J.，Juan，A.A.，2018年。一种求解具有随机行程时间的二维车辆路径问题的模拟启发式方法。模拟建模实践与理论89，1-14。
[91] Hatami，S.、Calvet，L.、Fernández‐Viagas，V.、Framinan，J.M.、Juan，A.A.，2018年。在随机并行flowshop问题中设置开始时间的模拟启发式算法。模拟建模实践与理论86，55-71。
[92] Hering，J.，Wolf，I.，Maier‐Hein，K.H.，2016年。扩散MRI中稳健运动和失真校正的多目标模因搜索。IEEE医学成像汇刊35，102280-2291。
[93] 希金斯，D.G.，夏普，P.M.，1988年。CLUSTAL：在微型计算机上执行多序列比对的软件包。基因73，1，237-244。
[94] Hoang，D.T.，Vinh，L.S.，Flouri，T.，Stamatakis，A.，von Haeseler，A.，Minh，B.Q.，2018年。MPBoot：快速系统发育最大简约树推断和bootstrap近似。BMC进化生物学18，1，1-11。
[95] 霍兰德，J.H.，1962年。紧凑型遗传算法。ACM1杂志，3.9297-314·Zbl 0225.68044号
[96] Hua，J.、Xiong，Z.、Lowey，J.，Suh，E.、Dougherty，E.R.，2004年。各种分类规则的最佳特征数量与样本大小有关。生物信息学21，81509-1515。
[97] Huan，H.X.，Tuyet，D.T.，Ha，D.T..，Hung，N.T.，2015年。一种高效的DNA模体搜索蚁群算法。《知识与系统工程》，柏林施普林格出版社，第589-601页。
[98] Huang，K.W.，Chen，J.L.，Yang，C.S.，Tsai，C.W.，2015年。一种求解DNA片段组装问题的模因粒子群优化算法。神经计算与应用26，3，495-506。
[99] Huang，K.W.，Chen，J.L.，Yang，C.S.，Tsai，C.W.，2016年。解决DNA片段组装问题的模因引力搜索算法。智能与模糊系统杂志30，4，2245-2255。
[100] Hughes，J.，Houghten，S.，Ashlock，D.，2016年。重新启动和重新集中DNA片段组装的遗传算法变体：多策略方法的必要性。生物系统150，35-45。
[101] Hughes，J.、Houghten，S.、Mallén‐Fullerton，G.M.、Ashlock，D.，2014年。重新定心和重新启动DNA片段组装的遗传算法变体。生物信息学和计算生物学计算智能会议。IEEE，新泽西州皮斯卡塔韦，第1-8页。
[102] A.M.侯赛因、R.阿卜杜拉、N.阿卜杜拉希德，2019年。基于轮廓技术的多序列比对授粉算法。约旦国际电气工程和信息技术联合会议。IEEE，新泽西州皮斯卡塔韦，第571-576页。
[103] Indumathy，R.，Maheswari，S.U.，Subashini，G.，2015年。受自然启发的新型布谷鸟基因组序列组装搜索算法。Sadhana40，1，1-14·兹比尔1322.90118
[104] Islam，M.R.，Saifullah，C.K.，Asha，Z.T.，Ahamed，R.，2019年。求解多串最长公共子序列问题的化学反应优化。软计算23，14，5485-5509。
[105] Jana，N.D.，Das，S.，Sil，J.，2018年a。用于蛋白质结构预测的Lévy分布参数自适应差分进化。在Jana，N.D.（编辑）、Das，S.（编辑）和Sil，J（编辑）（编辑）《蛋白质结构预测的元启发式方法》中。柏林施普林格，第151-167页。
[106] Jana，N.D.，Das，S.，Sil，J.，2018b。蛋白质结构预测的混合元启发式方法。在Jana，N.D.（编辑）、Das，S.（编辑）和Sil，J（编辑）（编辑）《蛋白质结构预测的元启发式方法》中。柏林施普林格出版社，第197-206页。
[107] Jana，N.D.，Sil，J.，Das，S.，2018c。使用基于混沌的随机行走算法进行连续适应度景观分析。软计算22，3，921-948。
[108] Jirapech‐Umpai，T.，Aitken，S.，2005年。微阵列数据分析的特征选择和分类：识别预测基因的进化方法。BMC生物信息学6，1，148。
[109] Jumper，J.，Evans，R.，Pritzel，A.，Green，T.，Figurnov斯卡，M.、Berghammer、T.、Bodenstein、S.、Silver、D.、Vinyals、O.、Senior、A.W.、Kavukcuoglu、K.、Kohli、P.、Hassabis、D.，2021年。使用AlphaFold进行高精度蛋白质结构预测。《自然》596、7873、583-589。
[110] Kalegari，D.H.，Lopes，H.S.，2013年。一种改进的并行差分进化方法，用于使用2D和3D离格模型预测蛋白质结构。差异进化专题讨论会。IEEE，新泽西州皮斯卡塔韦，第143-150页。
[111] 卡拉博加，D.，2005年。基于蜜蜂群的数值优化思想。Erciyes大学tr06技术报告。
[112] Katoh，K.、Misawa，K.、Kuma，K.i.、Miyata，T.，2002年。MAFFT：一种基于快速傅里叶变换的快速多序列比对新方法。核酸研究30，14，3059-3066。
[113] Kececioglu，J.D.，Myers，E.W.，1995年。DNA序列组装的组合算法。算法13，1-2，7·Zbl 0831.92013号
[114] 柯克帕特里克，S.，1984年。模拟退火优化：定量研究。《统计物理学杂志》34，5‐6，975-986。
[115] Korb，O.，Stützle，T.，Exner，T.E.，2007年。一种用于柔性蛋白质配体对接的蚁群优化方法。Swarm Intelligence1、2、115-134。
[116] Kozlov，A.M.、Darriba，D.、Flouri，T.、Morel，B.、Stamatakis，A.，2019年。RAxML‐NG：一个快速、可扩展且用户友好的工具，用于最大似然系统发育推断。生物信息学35，21，4453-4455。
[117] Kryshtafovych，A.，Schwede，T.，Topf，M.，Fidelis，K.，Moult，J.，2019年。蛋白质结构预测（CASP）方法的关键评估-第十三轮。蛋白质：结构、功能和生物信息学87，1211011-1020。
[118] Kwarciak，K.，Formanowicz，P.，2014年。Tabu搜索算法，用于通过杂交进行DNA测序，并提供多样性信息。计算机与运营研究47，1-10·Zbl 1348.92119号
[119] Kwarciak，K.，Radom，M.，Formanowicz，P.，2016年。一种多级蚁群优化算法，用于通过杂交获得多重信息的经典和等温DNA测序。计算生物学和化学61，109-120。
[120] Lassmann，T.，Sonnhammer，E.L.，2005年。Kalign是一种精确快速的多序列比对算法。BMC生物信息学6，1，298。
[121] Lee，J.W.，Lee，JB.，Park，M.，Song，S.H.，2005年。广泛比较应用于微阵列数据的最新分类工具。计算统计与数据分析48，4869-885·Zbl 1429.62252号
[122] Lesk，A.，2019年。生物信息学导论（第5版）。牛津大学出版社，牛津。
[123] Li，B.，Chiong，R.，Lin，M.，2015年a。基于三维AB离格模型的蛋白质结构优化的平衡进化人工蜂群算法。计算生物学与化学54，1-12。
[124] Li，B.，Lin，M.，Liu，Q.，Li，Y.，Zhou，C.，2015b。通过改进的人工蜂群算法，基于3D离格模型的蛋白质折叠优化。分子模型杂志21，10，261。
[125] Li，H.，Helling，R.，Tang，C.，Wingreen，N.，1996年。在蛋白质折叠的简单模型中出现优先结构。科学273、5275、666-669。
[126] Li，Y.，Campbell，C.，Tipping，M.，2002年。用于对基因表达数据进行分类的贝叶斯自动相关性确定算法。生物信息学18，10，1332-1339。
[127] Lin，X.、Zhang，X.，2014年。基于GAPSO算法的脱晶格模型中蛋白质折叠结构优化。生物信息学和生物医学会议。IEEE，新泽西州皮斯卡塔韦，第43-49页。
[128] Lin，X.、Zhang，X.和Zhou，F.，2014年。基于局部调整禁忌搜索算法的蛋白质结构预测。BMC生物信息学，第15卷，伦敦生物医学中心，第S1页。
[129] Liu，J.，Wang，R.，2015年。当前评分功能的分类。《化学信息与建模杂志》55，3，475-482。
[130] Lizárraga，E.，Blesa，M.J.，Blum，C.，Raidl，G.R.，2015年。关于解决包含少量不良列的大多数字符串的问题：ILP模型和启发式。2015年智能系统和应用创新国际研讨会。IEEE，新泽西州皮斯卡塔韦，第1-8页。
[131] Lizárraga，E.，Blesa，M.J.，Blum，C.，Raidl，G.R.，2017年。大型邻域搜索，查找包含少量坏列的大多数字符串的问题。软计算21，17，4901-4915。
[132] López‐Camacho，E.，García Godoy，M.J.，Nebro，a.J.，Aldana‐Montes，J.F.，2014年。jMetalCpp:用C++元启发式框架优化分子对接问题。生物信息学30，3，437-438。
[133] Lozano，M.，Blum，C.，2010年。最长公共子序列问题的混合元启发式算法。混合元启发式国际研讨会。柏林施普林格出版社，第1-15页。
[134] Mallén‐Fullerton，G.M.，Hughes，J.A.，Houghten，S.，Fernández‐Anaya，G.，2013年。DNA片段组装问题的基准数据集。国际生物启发计算杂志5，6，384-394。
[135] Manikandan，P.，Ramyachitra，D.，2017年。细菌觅食优化——用于多目标多序列比对的遗传算法。科学报告7，18833。
[136] Markvica，D.，Schauer，C.，Raidl，G.R.，2015年。针对最长公共子序列问题的蚁群优化的CPU与GPU并行化。计算机辅助系统理论国际会议。柏林施普林格，第401-408页。
[137] Martin，O.，Otto，S.W.，Felten，E.W.，1992年。TSP的大步马尔可夫链结合了局部搜索启发式。运营研究信件11、4、219-224·Zbl 0760.90090号
[138] Mladenovic，N.，1995年。可变邻域算法——一种新的组合优化元启发式算法。优化日论文，第12卷。
[139] Mohsen，M.S.，Abdullah，R.，Omar，M.A.，2018年。一种用于RNA多序列比对的基于混合的和谐搜索算法。生命科学杂志15，11。
[140] Mousavi，S.R.、Babaie，M.、Montazerian，M.，2012年。一种改进的启发式算法，用于解决绝大多数字符串的问题。启发式杂志18，2，239-262。
[141] Mousavi，S.R.，Tabataba，F.，2012年。最长公共子序列问题的一种改进算法。计算机与运营研究39，3，512-520·Zbl 1251.90395号
[142] Myers，E.W.Jr，2016年。DNA序列组装史。信息技术58，3，126-132。
[143] Narloch，P.H.，Dorn，M.，2019年。用于蛋白质结构预测的基于知识的自适应差分进化算法。国际计算科学会议。柏林施普林格出版社，第87-100页。
[144] Narloch，P.H.，Parpinelli，R.S.，2016年。差异进化算法中的多样化策略解决了蛋白质结构预测问题。智能系统设计和应用国际会议。柏林施普林格出版社，第125-134页。
[145] Narloch，P.H.，Parpinelli，R.S.，2017年。使用ROSETTA的级联差分进化算法处理蛋白质结构预测问题。巴西智能系统会议（BRACIS）。IEEE，新泽西州皮斯卡塔韦，第294-299页。
[146] Natarajan，A.，Kumarasamy，S.，2019年。使用FL-SNM和元启发式优化方法有效分割脑肿瘤。医学系统杂志43，25。
[147] Nayeem，硕士，Bayzid，硕士，Chakravarty，S.，Rahman，M.S.，拉赫曼，M.S.2020a。一种用于准确物种树估计的多目标元启发式方法。生物信息学和生物工程国际会议。IEEE，新泽西州皮斯卡塔韦，第79-84页。
[148] Nayeem，M.A.，Bayzid，M.S.，Rahman，A.H.，Shahriyar，R.，Rahrman，M.S..，2020b。用于系统发育推断的多序列比对的多目标公式。《控制论学报》。IEEE，新泽西州皮斯卡塔韦，第1-12页。
[149] Nicolas，F.，Rivals，E.，2005年。加权和未加权编辑距离下的中心字符串和中间字符串问题的硬度结果。离散算法期刊3，2390-415·兹比尔1101.68709
[150] Notredame，C.，Higgins，D.G.，Heringa，J.，2000年。T‐Coffee：一种快速准确的多序列比对新方法。分子生物学杂志302，1，205-217。
[151] Oliveira，M.、Borguean，B.、Dorn，M.，2017年。SADE-SPL：一种自适应差分进化算法，具有用于PSP问题的循环结构模式库。进化计算大会。IEEE，新泽西州皮斯卡塔韦，第1095-1102页。
[152] Onggo，B.S.，Panadero，J.，Corlu，C.G.，Juan，A.A.，2019年。随机需求的农产品供应链：易腐产品的多阶段库存路径问题。仿真建模实践与理论97，101970。
[153] Ortuno，F.M.，Valenzuela，O.，Rojas，F.，Pomares，H.，Florido，J.P.，Urquisa，J.M.，Rojas.I.，2013年。使用基于三个目标的遗传算法优化多序列比对：结构信息、非间隙百分比和完全保守列。生物信息学29，17，2112-2121。
[154] Pagès‐Bernaus，A.，Ramalhinho，H.，Juan，A.A.，Calvet，L.，2019年。设计电子商务供应链：一种随机设施选址方法。《运筹学国际交易》26，2，507-528。
[155] Panadero，J.、Doering，J.，Kizys，R.、Juan，A.A.、Fito，A.，2020年。不确定条件下项目组合选择的可变邻域搜索模拟启发式算法。启发式杂志26353-375。
[156] Pappalardo，E.，Cantone，D.，Pardalos，P.M.，2014年。最接近字符串问题的贪婪行走启发式和模拟退火相结合的方法。优化方法和软件29，4，673-702·Zbl 1305.90307号
[157] Parla，J.、Kramer，M.、McCombie，W.R.，2011年。高通量测序。在Budowle，B.（ed.）、Schutzer，S.E.（ed。学术出版社，加利福尼亚州圣地亚哥，第461-478页。
[158] Parpinelli，R.S.，Benitiez，C.M.，Cordeiro，J.，Lopes，H.S.，2014年。群智能算法在3D‐AB非晶格蛋白质折叠问题中的性能分析。多值逻辑和软计算22，3，267-286。
[159] Pashaei，E.，Pashaie，E.，Aydin，N.，2019年。使用混合二进制黑洞算法和改进的二进制粒子群优化算法进行基因选择。基因组111,4669-686。
[160] Pérez‐Hernández，L.G.，Rodríguez‐Vázquez，K.，Garduño‐Juárez，R.，2009年。并行粒子群算法应用于蛋白质折叠问题。遗传和进化计算年会，第1791-1792页。https://doi.org/10.1145/1569901.1570163 ·doi:10.145/1569901.1570163
[161] Pérez‐Serrano，J.，Imbernón，B.，Cecilia，J.M.，Ujaldon，M.，2018年。基于能量的多GPU分子对接元启发式调整。并发与计算：实践与经验30，17，e4684。
[162] 佩夫兹纳，P.，2000年。计算分子生物学：一种算法方法。麻省理工学院出版社，马萨诸塞州剑桥·兹伯利0972.92011
[163] Prasad，Y.，Biswas，K.，Hanmandlu，M.，2018年。用于微阵列数据中基因选择的递归PSO方案。应用软计算71，213-225。
[164] R核心团队，2021年。R： 统计计算语言和环境。R统计计算基金会，奥地利维也纳。
[165] Rajagopal，I.，Maheswari Sankareswaran，U.，2015年。一种求解DNA片段组装问题的自适应粒子群优化算法。当前生物信息学10，1，97-105。
[166] Rani，R.R.，Ramyachitra，D.，2016年。使用基于多目标的细菌觅食优化算法进行多序列比对。生物系统150、177-189。
[167] Rani，R.R.，Ramyachitra，D.，2018年。人工蜂群与细菌觅食优化群集方法的杂交，用于多序列比对。新加坡施普林格。第39-65页。
[168] 罗德里格斯州。，罗德里格斯，L.、奥利维拉，L.，康奇，A.，利亚特斯，P.，2017年。使用遗传算法在处理后的CT图像上自动识别心包轮廓。生物学和医学中的计算机87，38-45。
[169] 卢比奥·拉戈，Á。，Castelli，M.，Vanneschi，L.，Vega‐Rodriguez，M.A.，2018a。用于多序列比对的并行多目标元启发式算法。计算生物学杂志25，9，1009-1022。
[170] 卢比奥·拉戈，Á。，Vanneschi，L.，Castelli，M.，Vega‐Rodríguez，M.A.，2018b。用于超大规模多序列比对的基于多目标特征的框架。应用软计算69，719-736。
[171] 卢比奥·拉戈，Á。，Vega‐Rodríguez，文学硕士，González‐Alvarez，D.L.，2015年。一种用于多序列比对的混合多目标模因元启发式算法。IEEE进化计算汇刊20，4，499-514。
[172] 卢比奥·拉戈，Á。，Vega‐Rodríguez，M.A.，González‐Álvarez，D.L.，2016年。用于多序列比对的混合多目标人工蜂群。应用软计算41，157-168。
[173] Santander‐Jiménez，S.，Vega‐Rodríguez，M.A.，Sousa，L.，2018年。蛋白质数据中祖先关系研究的多目标蛙跳优化。IEEE进化计算汇刊22，6，879-893。
[174] Santander‐Jiménez，S.，Vega‐Rodríguez，M.A.，Sousa，L.，2019年。一种在基于蛋白质的场景中推断进化关系的多目标自适应方法。信息科学485281-300。
[175] Santander‐Jiménez，S.，Vega‐Rodríguez，M.A.，Sousa，L.，2020年。氨基酸数据系统发育重建的算法间多目标合作。IEEE控制论汇刊52，3577-3591。
[176] Santander‐Jiménez，S.，Vega‐Rodríguez，M.A.，Sousa，L.，2022年。利用多级并行元启发式和异构计算来促进系统发育。未来一代计算机系统127208-224。
[177] Sar，E.，Acharyya，S.，2014年。预测蛋白质结构的遗传算法变体。通信和信号处理会议。IEEE，新泽西州皮斯卡塔韦，第321-325页。
[178] Scalabrin，M.H.，Parpinelli，R.S.，Benítez，C.M.，Lopes，H.S.，2014年。基于GPU的群体和谐搜索应用于蛋白质结构预测。国际计算科学与工程杂志9，1-2，106-118。
[179] Scornavaca，C.，Delsuc，F.，Galtier，N.，2020年。基因组时代的系统遗传学。https://hal.archives网站‐ouvertes.fr/hal‐02535070v3
[180] Shukla，A.K.，Singh，P.，Vardhan，M.，2018年。一种用于微阵列识别的混合基因选择方法。生物控制论和生物医学工程38，4，975-991。
[181] Sievers，F.、Wilm，A.、Dineen，D.、Gibson，T.J.、Karplus，K.、Li，W.、Lopez，R.、McWilliam，H.、Remmert，M.、Söding，J.、Thompson，J.D.、Higgins，D.G.，2011年。使用Clustal Omega快速、可扩展地生成高质量蛋白质多序列比对。分子系统生物学7，1，539。
[182] Siqueira，G.、Brito，K.L.、Dias，U.、Dias、Z.，2020年。具有重复基因的基因组之间反向距离的启发式。国际计算生物学算法会议。柏林施普林格出版社，第29-40页·Zbl 1500.92058号
[183] Soler‐Dominguez，A.，Juan，A.A.，Kizys，R.，2017年。元启发式的金融应用调查。ACM计算调查（CSUR）50，1，1-23。
[184] Sperschneider，V.，2008年。生物信息学：解决问题的范式。柏林施普林格科技与商业媒体。
[185] Stillinger，F.H.，Head‐Gordon，T.，Hirshfeld，C.L.，1993年。蛋白质折叠玩具模型。物理审查E48，21469。
[186] Storn，R.，Price，K.，1997年。差分进化：一种简单有效的启发式算法，用于连续空间上的全局优化。《全球优化杂志》11，4，341-359·Zbl 0888.90135号
[187] Swaminathan，V.、Rajaram，G.、Abhishek，V.，Reddy，B.S.、Kannan，K.，2019年。一种新的基于超图的遗传算法（HGGA），基于单模和反同态特性，用于DNA杂交测序。跨学科科学：计算生命科学11，397-411。
[188] Tabataba，F.S.，Mousavi，S.R.，2012年。用于最长公共子序列问题的超启发式算法。计算生物学和化学36，42-54·Zbl 1244.92021号
[189] Talbi，E.G.，2009年。元启发式：从设计到实现，第74卷。John Wiley&Sons，新泽西州霍博肯·Zbl 1190.90293号
[190] Talbi，E.G.，2013年。混合元启发式，第166卷。柏林施普林格。
[191] Tanaka，S.，2012年。基于拉格朗日松弛的最接近字符串问题的启发式算法。计算机与运营研究39，3，709-717·Zbl 1251.90288号
[192] 汤普森，G.A.，舒尔茨，A.，1999年。韧皮部中的大分子贩运。《植物科学趋势》4，9，354-360。
[193] 汤普森，J.D.，普列尼亚克，F.，波赫，O.，1999年。BAliBASE：用于评估多个线形方案的基准线形数据库。生物信息学15，1，87-88。
[194] Thomsom，J.，Higgins，D.，Gibson，T.，1994年。集群W：通过序列加权、特定位置的差距惩罚和权重矩阵选择，提高渐进式多序列比对的敏感性。核酸研究22，4673-4680。
[195] Tompa，M.，Li，N.，Bailey，T.L.，Church，G.M.，De Moor，B.，Eskin，E.，Favorov，A.V.，Frith，M.C.，Fu，Y.，Kent，W.J.，Makeev，V.J.，Mironov，A.A.，Stafford Noble，W.，Pavesi，G.，Pesole，G.，Régnier，M.，Simonis，N.，Sinha，S.，Thijs，G.，vanHelden，J.，Vandenbogert，M.，Weng，Z.，Workman，C.，Ye，C.，Zhu，Z.，2005年。评估用于发现转录因子结合位点的计算工具。《自然生物技术》23，1，137-144。
[196] Torrisi，M.，Pollastri，G.，Le，Q.，2020年。蛋白质结构预测中的深度学习方法。计算与结构生物技术杂志18，1301-1310。
[197] 尤勒克，E.D.，2016年。协调搜索算法对DNA片段组装问题的适应性。SAI计算大会。IEEE，新泽西州皮斯卡塔韦，第135-138页。
[198] 维达尔，P.，奥利维拉，A.C.，2018年。用GPU上实现的并行离散萤火虫算法解决DNA片段组装问题。计算机科学和信息系统15，2，273-293。
[199] Villalobos‐Cid，M.、Dorn，M.和Ligabue‐Braun，R.，Inostroza‐Ponta，M.，2019年。基于NSGA‐II方案的模因算法，用于系统发育树推断。进化计算学报。IEEE，新泽西州皮斯卡塔韦，第776-787页。
[200] Villalobos‐Cid，M.、Rivera，C.、Kessi‐Perez，E.I.、Inostroza‐Ponta，M.，2022年。基于NSGA‐II方案的多模式算法，用于系统发育树推断。生物系统213104606。
[201] Wallace，I.M.，Orla，O.，Higgins，D.G.，2004年。多重比对的迭代比对算法评估。生物信息学21，81408-1414。
[202] Wang，L.，Jiang，T.，1994年。关于多序列比对的复杂性。计算生物学杂志1，4，337-348。
[203] Yadav，R.K.，2018年。一种新的基于生物地理学的多序列比对方法。IITM管理杂志和IT9，1，58-66。
[204] Yeung，K.Y.，Bumgarner，R.E.，Raftery，A.E.，2005年。贝叶斯模型平均：为微阵列数据开发改进的多类、基因选择和分类工具。生物信息学21，10，2394-2402。
[205] Zambrano‐Vega，C.，Nebro，A.J.，Aldana‐Montes，J.F.，2016年。分子系统发育学：一种具有多目标进化元启发式的系统发育推断软件工具。生态学与进化方法7，7，800-805。
[206] Zare‐Mirakabad，F.、Ahrabian，H.、Sadeghi，M.、Hashemifar，S.、Nowzari‐Dalini，A.、Goliaei，B.，2009年。DNA序列中二元模式发现的遗传算法。基因与遗传系统84，1，81-93。
[207] Zemali，E.，Boukra，A.，2018年A。CS‐ABC：一个基于人工蜂群的合作系统，用于解决DNA片段组装问题。国际数据挖掘和生物信息学杂志21，2，145-168。
[208] Zemali，E.，Boukra，A.，2018b。EGSA：一种新的增强型引力搜索算法，用于解决多序列比对问题。国际智能工程信息学杂志6，1-2，204-217。
[209] Zhang，H.，Schneider，T.，Wheeler‐Kingshott，C.A.，Alexander，D.C.，2012年。NODDI：实用的人脑体内轴突定向弥散和密度成像。神经影像61，41000-10016。
[210] 张奇，李浩，2007。MOEA/D：一种基于分解的多目标进化算法。进化计算学报11，6，712-731。
[211] Zhang，Q.，Zhang and J.，Zhong，Y.，Ye，C.，Min，X.，2019年。基于共识和膜结构的并行MOEA用于推断系统发育重建。IEEE访问，第6177-6189页。https://doi.org/10.109/ACCESS.2019.2959783 ·doi:10.1109/ACCESS.2019.2959783
[212] Zhang，X.，Wang，T.，Luo，H.，Yang，J.Y.，Deng，Y.，Tang，J.，Yang-M.Q.，2010年。基于遗传禁忌搜索算法的三维蛋白质结构预测。BMC系统生物学4，1，S6。
[213] 周，C.，侯，C.，魏，X.，张，Q.，2014。三维蛋白质结构预测的改进混合优化算法。分子模型杂志20，7，2289。
[214] Zhu，D.，Wu，Y.，Wang，X.，2015年a。具有多个子序列包含约束的广义LCS问题的动态规划算法。国际车联网会议。查姆·斯普林格，第439-446页。
[215] 朱浩、何忠、贾瑜，2015b。一种基于分解的多目标进化算法实现多序列比对的新方法。IEEE生物医学与健康信息杂志20，2，717-727。
[216] 朱浩、蒲灿、林晓霞、顾洁、张绍、苏明，2009年。玩具模型中EPSO的蛋白质结构预测。智能网络和智能系统会议。IEEE，中国天津，第673-676页。
[217] Zitzler，E.，Künzli，S.，2004年。多目标搜索中基于指标的选择。自然并行问题解决会议。柏林施普林格出版社，第832-842页。
[218] Zitzler，E.，Laumanns，M.，Thiele，L.，2001年。SPEA2：改进强度Pareto进化算法。TIK‐报告103，1-21。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。