一种用于抗微生物毒性预测的混合元启发算法.

科学领域:

• 计算智能是一种计算智能.
• 优化算法 优化算法
• 生物信息学是一种生物信息学.

背景情况:

• 开发新的算法对于解决复杂的计算和现实世界的挑战至关重要.
• 现有的优化算法在探索和利用平衡方面存在局限性.
• 对元启发算法的混合可能会提高性能.

研究的目的:

• 为了引入一种新的混合元启发算法,h-PSOGNDO.
• 结合粒子集群优化 (PSO) 的优势进行开发和通用正常分布优化 (GNDO) 的优势进行勘探.
• 评估h-PSOGNDO在基准函数和现实应用中的有效性.

主要方法:

• 开发了一个混合的元启发算法h-PSOGNDO,集成PSO和GNDO战略.
• 在28个IEEE CEC2017和10个IEEE CEC2019基准数学函数上测试了h-PSOGNDO.
• 应用h-PSOGNDO来预测抗微生物的毒性.

主要成果:

• h-PSOGNDO在两组基准测试函数上都表现出有效的表现.
• 该算法在预测抗微生物毒性方面取得了极具竞争力的结果.
• 统计发现证实了该算法在复杂问题解决方面的有效性.

结论:

• 拟议的h-PSOGNDO算法有效地利用了PSO和GNDO的优势.
• h-PSOGNDO显示出解决复杂优化问题的巨大潜力.
• 该算法在抗微生物毒性预测中的成功应用凸显了其在现实世界中的适用性.