在生物科学中使用遗传算法进行非基于模型的生物过程优化的当前策略 - - 一项系统性审查

科学领域:

• 生物技术是生物技术.
• 计算生物学 计算生物学
• 优化算法 优化算法

背景情况:

• 遗传算法 (GA) 是受自然启发的元启发法,广泛用于优化问题,通常在数学模型中.
• 它们在无模型优化中的应用,特别是在生物过程中,由于它们在处理复杂场景中的有效性,正在获得引力.
• 尽管在许多情况下已被证明是优越的,但GA的实验应用,特别是非基于模型的应用,的文档比理论或基于模拟的用途少.

研究的目的:

• 描述基因算法 (GA) 在生物过程的无模型优化中的应用.
• 突出GA在实验室优化方面的潜力,在数学模型缺失或不足的情况下.
• 引入和倡导"基于现实的遗传算法"一词来分类现实世界的实验评估.

主要方法:

• 综述和描述基因算法 (GA) 作为一个元启发式优化技术.
• 展示示例,展示GA在生物过程优化中的应用,而不依赖于先前存在的数学模型.
• 讨论有利于GA使用的场景:多变量研究,大搜索空间和未知因素相互作用.

主要成果:

• 即使没有明确的数学模型,GA也可以有效地应用于实验室优化任务.
• GAs通常会超过其他优化方法,特别是在处理复杂的实验变量时.
• 目前文献缺乏标准化分类和广泛的实证数据,用于在现实环境中非基于模型的GA优化.

结论:

• 对GA参数配置进行实验优化的理论和实证研究有很大的需求.
• 拟议的术语"基于现实的遗传算法"旨在标准化并鼓励报告此类实验研究.
• 在进一步的研究之前,研究人员应该利用类似研究中的成功配置或通过实验生成比较数据.