埃及信息学杂志23（2022）271一种新的优化算法（Lion-AYAD），用于寻找最佳的DNA蛋白质合成Samaher Al-Janabib，Ayad Alkaimaa伊拉克巴比伦巴比伦大学妇女科学学院化学系b伊拉克巴比伦巴比伦大学妇女科学学院计算机科学系阿提奇莱因福奥文章历史记录：接收日期：2018年2020年2月8日修订2022年1月22日接受2022年2月12日在线提供保留字：智能生物信息分析优化合成Lion-AYADDNAPSOCOAWOALOA螺旋搜索和气泡网搜索机制A B S T R A C T在本文中，我们提出了一个新的算法来找到最佳的蛋白质产生的DNA合成。该算法分五个阶段执行：在第一阶段，它采取了一个DNA序列，并认为它作为狮子的初始种群，确定每个狮子的主要位置和狮子之间的主要距离和目标点，然后考虑这个距离作为狮子的适应度，然后根据它们的适应度排序狮子准备它的第二阶段。第二阶段通过在其上添加四个新特征来开发狮子优化算法（LOA），每个特征执行一个任务，a替换LOA的内核搜索机制）通过对泡泡网搜索的重复搜索来提高搜索的准确性，同时减少执行时间，达到智能搜索的目的第三阶段的主要目的这是通过Yauld功能实现的。第四阶段应用协同特征来转换DNA的活性序列（即，在将其分裂成三联体并开始产生蛋白质后，基于满足四条规则的深度合成，通过新的优化算法合成所有的tRNA三联体以生成最终的蛋白质结果，这个特征称为深度特征，代表算法的最后阶段新算法作为一个实用的优化模型，证明了其对动态长度DNA序列的鲁棒性。它提高了准确性并减少了执行时间。©2022 The Bottoms.出版社：Elsevier B.V.代表计算机与信息学院开罗大学。 这是一篇基于CC BY-NC-ND许可证的开放获取文章（http：//creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍DNA复制在本质上是半保守的。DNA由核苷酸的双链螺旋碱基这种双链然后，两条DNA链中的每一条都被复制，从而从母螺旋中产生两条新的子DNA链，同时保留了原始的DNA链。*通讯作者：伊拉克巴比伦巴比伦大学妇女科学学院计算机科学系。电子邮件地址：samaher@itnet.uobabylon.edu.iq（S.Al-Janabi），alkaim@iftc.uni-hannover.de（A. Alkaim）。开罗大学计算机和信息系负责同行审查。母链的碱基序列（a）连续DNA复制，和（b）不连续DNA复制。优化是在许多领域中使用的一个整体术语，不同类型的智能计算也在不同的科学中达到最佳值（即，这些值有多个名称，如最小值、最大值、更少的成本、高性能等。根据问题的性质和研究人员需要从这个问题中证明什么（即，基于问题的一个或多个目标术语优化的具体定义有时取决于术语的使用领域在本文中，我们将通过增强搜索机制来关注侧算法的优化，并将新的能力添加到优化算法中，该优化算法基于应用于初始种群的特定策略开始搜索最优值，并且在每一步中尝试找到最佳路径和允许其接近第一子目标的值，然后第二等到达最终目标（即，搜索子目标序列以达到问题的最终解决方案）。主要属性应包括-https://doi.org/10.1016/j.eij.2022.01.0041110-8665/©2022 THE COURORS. Elsevier B.V.代表开罗大学计算机和信息学院出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页：www.sciencedirect.comS. Al-Janabi和A. 阿尔凯姆埃及信息学杂志23（2022）271272任何优化算法都具有鲁棒性、效率和准确性。综合有多种定义，基于它的目的，如：(b)通过化学元素、化合物或简单化合物的结合或复杂化合物的降解而（c）将往往不同的而另一种定义（b）主题和对题的辩证结合，进入真理的更高阶段狮子优化算法是从自然界狮子群体行为和狮子之间的合作行为中衍生出来的一种优化算法，如捕食、交配、领地标记、防御等行为。通过找出最优解，总结其性能。因此，本文将致力于开发该算法，通过添加新的特性，它找到最佳的蛋白质从DNA序列。表1显示了主要优化技术2. 相关作品优化是在给定的情况下获得最佳结果的行为优化分为（最大化最小化、单变量多变量、有无约束）.目标函数优化分为单目标函数优化和多目标函数优化。优化有三个基本要素，即决策变量、目标和约束。优化算法是通过比较各种解来迭代地执行直到找到最优解或满意解的程序，存在许多类型的优化，即连续优化、有界约束优化、约束优化、无导数优化、离散优化、全局优化、线性规划和不可微优化。多名研究人员在现场优化工作。Alkaim和Al_Janabi[14]提出了一种新的预测方法，重点是通过用多目标优化功能代替内核来开发MARS数据挖掘。为了找到基于三种主要气体（CO2、CH4、N2O）的并行气体燃烧速率，该并行气体燃烧速率提高了效率并减少了寻找最佳结果所花费的时间。在该分析中，还测量气体的含油率（GOR）。Zawbaa等人[1]建议使用二进制ALO来收集函数。研究结果表明，二进制ALO将在很大程度上优于传统的PSO和GAZawbaa等人[2]通过引入基于混淆的新ALO（CALO），增强了ALO在Lab VIEW TM中Gupta等.[3]建立了一个基于ALO的新Yamany等人[4]采用ALO来细化MLP他们只使用了四个数据集，结果表明ALO将优于ACO，PSO和GA。Rajan和Malakar[5]建议将ALO（MALO）用于处理电力系统中的最优无功控制调度（ORPD）任务，结果证实了MALOAl_Janabiel.al. [13]基于构造和多目标优化方法建立了称为多目标可再生能源发电（MORE-G）的模型通过设计两种优化模型，第一种是基于改进的布谷鸟优化模型（DCOM），通过对布谷鸟搜索进行横向组合来提高布谷鸟搜索优化的性能;第二种是基于改进的CapsNet模型（DCapsNet），利用多层网络，每层采用不同的激活函数，然后通过线性组合来组合结果，以满足优化的要求。Kamboj等人。[6]使用ALO以有效的方式解决非凸ORPD问题。Ali等人[7]使用基本ALO来处理有效的分布式发电分配和规模（DG）。比较结果表明，ALO算法优于人工蜂群算法（ABC）、萤火虫算法（FA）、布谷鸟探秘算法（CS）、蚁群算法（ACO）、遗传算法（GA）和粒子群算法（PSO）。即使是基本的ALO也被用来处理组合的计划和调度任务[8]。Raju等人。[9]同时开发了一种基于ALO的控制器优化Dubey等人[10] 应用简单的ALO方法对热液-风能（HTPGS）函数进行排列。表1比较优化技术。优化技术离散优化优势劣势● 提供有效的解决方案。●产生一系列持续的子问题。● 一种复杂的方式。● 给出不合逻辑的结果。无约束优化约束优化无、一或多个目标确定性优化随机优化● 帮助解决最常见的问题。● 适用于有明确限制的应用程序。● 你找到了一个完全解决你问题的方法● 找到目标的步骤数有限且已知● 大部分时间导致接近局部优化● 预计成本最低。● 高成本非常有限的估计出现。● 需要以前的信息来发现它。● 信息可以实时调整。● 可以处理全部或一组或部分信息● 分类是基于待优化函数的可用信息● 该方法比无约束优化方法复杂得多。● 一些目标被限制所取代。● 在设计优化模型时，所有与目标相关和无关的变量都要考虑在内，这就导致了计算量的增加和复杂度的增加● 很难计算概率。● 要求计算所有场景的概率。● 不适合所有的时间S. Al-Janabi和A. 阿尔凯姆埃及信息学杂志23（2022）271273研究结果表明，ALO的优势和优势，在获得更高质量的技术，同时满足了许多现实世界的水电，火电和风力发电的限制。Mirjalili等人[11]提出了ALO的多目标版本（MOALO），研究结果表明这种方法在现实世界的工程解决方案Al-Janabi和Alkaim[12]提出了一种名为DRFLLS的新工具，用于将最佳值细化为缺失值。通过发展随机森林算法，定义了七类相似性度量。这些类别是人相似系数、简单相似度和模糊相似度（M1、M2、M3、M4和M5）。Al-Janabi和Madi[15]目前的研究基于智能计算，通过深入分析五种预测数据挖掘技术来确定哪一种实现了最优生物医学分析，这项研究似乎并不像流行的那样总是通过数学计算得出最优解，而是考虑数据的性质，在确定最优方法解决任何问题。Mahdi和Al-Janabi[22]对医疗保健领域的主要挑战进行了研究。其目标是通过使用历史索赔数据（包括患者信息）来识别将在明年内入院的患者，并对其进行分析以解决问题。通过建立满足“执行速度”、“处理超大型数据库的能力”和“预测患者未来几年的住院天数”三点的预测器3. 主要优化算法本部分着重于发现和分析主要优化算法的行为，并将新算法Lion-Ayad的行为和性能与它们进行比较3.1. 粒子群优化算法粒子群优化（PSO）是一种计算方法，它通过迭代尝试改进给定质量度量的候选解来优化问题;有关更多详细信息，请参见[17]。总的来说，可以概括出算法1这里：C1：与PBest相关的加速因子，C2：与GBEST相关的加速因子，R1：0和1之间的随机数，R2：0和1之间的随机数。3.2. 布谷鸟优化算法布谷鸟是一种具有特殊繁殖技术的鸟类家族，相对于其他鸟类物种更具侵略性。S. Al-Janabi和A. 阿尔凯姆埃及信息学杂志23（2022）271274我我JK克朗我我..Cuckoo是一种受自然启发的算法，建立在布谷鸟繁殖的基础上。有关更多信息，请参见[13，18]，以及算法2布谷鸟优化算法在局部随机游动和全局随机游动之间保持了一种平衡，是一种很好的全局优化地方之间的平衡全局随机游动由参数pae [0，1]调节。随机局部和全局游动的特征在于方程。（1）（2）（3）（4）（5）（6）（7）（8）（9）（10）（11）（12）（18）（10）（11）（12）（11）（12）Xt1¼XtaS Hpa-e.Xt-Xt1Xt1¼XtaLS;k23.3. 鲸鱼优化算法（WOA）鲸鱼优化算法（WOA）是一种基于生物启发的超启发式算法，主要研究座头鲸的集体捕猎行为。与其他Meta启发式算法一样，WOA面临收敛速度慢的问题，其主要问题。为了提高全局收敛速度和获得更好的性能，WOA优化过程将引入混沌。在所提出的混沌WOA方法中，大量的混沌映射被用来调节WOA的主要参数，有助于监测勘探和开发。近年来，由于其最优输出和质量，该算法的实现已广泛应用于各个领域[19，20]。每个参数的定义见表6。D¼CωXkrand-Xt3Xiuzhou Xiuzhou Xiuzhou Xiuzhou- A ωD 4Xt1Dωexpbωlωcos2ωpiωlX_t53.4. 狮子优化算法狮子优化算法（LOA）是算法4中描述的主要优化算法之一，而且LOA具有多个参数[16]，并且在工作和参数的策略上与蚂蚁狮子优化（ALO）非常不同[21]; Chaser新S. Al-Janabi和A. 阿尔凯姆埃及信息学杂志23（2022）271275和追逐者分别是每只追逐者狮子的新位置和现有位置; rand表示0和1之间的随机数; Prey表示猎物的位置。Winger i; new表示Winger猎狮的新位置，H2是垂直于向量W的随机单位向量，Cheater new表示Winger猎狮的新位置，Cheater是Winger猎狮的当前位置。雄狮新标识-迎合了新的位置，雄狮，和领土。最佳位置表示群成员对搜索空间的集体理解。累积最佳位置的常驻狮子（包括雄性和雌性）按相应的适应度从最好到最差排序，E为漂移常数，TR为领地比率。更多详情见[16]，S. Al-Janabi和A. 阿尔凯姆埃及信息学杂志23（2022）2712764. Lion-AYAD优化算法研究方法的要点可以由以下步骤表示，算法5总结了从DNA序列合成生成蛋白质所需的所有步骤，我们将新的优化算法称为Lion-AYAD，该算法的主要思想是将新的属性添加到证明性能良好的优化算法之一中，图3显示了研究工作的主要活动，而图4显示了Lion-AYAD算法的架构 图 5显示了每种三倍浓度在产生20种蛋白质中的贡献。A. 在该步骤中确定的新优化器的主要参数包括人口数量;最大迭代次数;当前Lion-AYAD。位置;首字母为Lion-AYAD。适应度;任何狮子搜索它的区域由下边界和上边界表示。B. 通过预处理步骤对DNA序列进行分割，对短序列和长序列进行处理，使算法更具动态性。同时，每个序列可以具有不同数量的开始和结束品脱。S. Al-Janabi和A. 阿尔凯姆埃及信息学杂志23（2022）271277Fig. 1. 泡泡网搜索机制，更新位置。图二.螺旋形。搜索机制以更新位置。C. 通过生成狮子的初始种群构建优化器，确定每只狮子的主要位置和狮子与目标的主要距离，然后将此距离视为该狮子的适应度，根据其适应度对狮子进行排序D. 开发狮子优化算法（LOA），通过使用智能功能（即，气泡网搜索（Bubble net searching）提高了准确率，同时减少了达到目标的执行时间。E. 基于步骤D的每只狮子将从最近的位置向前移动新的子目标，以尝试达到最终目标，因此，所有狮子都需要更新其位置和适应性。这一步的主要目的是判断狮子是否活跃或多yauld，这一步通过yauld特征实现。F. 从生成蛋白质开始，我们最后，将其拆分成三联体后，构建-tRNA-for- protein。G. 应用四条规则，通过Lion-AYAD优化算法合成每个三联体tRNA，生成蛋白质，实现了基于满足规则的深度合成的算法的最终特征添加。所有三联体的规则是第二个位置是U生成的蛋白质组所有三联体的规则是第二个位置是C生成的蛋白质组所有三联体的规则第三个位置是A生成的蛋白质组所有三联体的规则是第4个位置是G生成的蛋白质组图三.一个新的优化算法的主要活动。●●●●S. Al-Janabi和A. 阿尔凯姆埃及信息学杂志23（2022）271278见图4。 Lion-AYAD的架构S. Al-Janabi和A. 阿尔凯姆埃及信息学杂志23（2022）271279图五.每种三倍浓度对生成20种蛋白质的贡献。5. 结果为了测试Lion-AYAD算法的性能和行为，我们将进行DNA序列长度不同的多个案例研究，并显示每个DNA序列合成产生的蛋白质类型，每个案例研究的细节将在下面的图6和图7中解释。第七章A. 第一个案例研究：在短序列DNA上实现Lion-AYAD由原始DNA产生的蛋白质= 1：蛋白质：-Met- Trp●S. Al-Janabi和A. 阿尔凯姆埃及信息学杂志23（2022）271280图5（续）由DNA拷贝产生的蛋白质= 1：蛋白质：-Met- TrpB. 第二个案例研究：在序列上实施Lion-AYAD，只有一个切入点在本案例研究中，我们采用以下活动序列，其中一个起点用蓝色表示 为 ATG ， 一 个 终 点 用 红 色 表 示 为 TAG ， 而 序 列 为 [GGGATG-GACACCTTATCATTTGCTACTAGCGACCAGTTTGAGTAGCTTCGTCGGTGA]。该序列包含39个项目，并且通过将lion-AYAD算法的主要步骤应用于如图8（a、b、c、d、e、f和g）所示的DNA的活性序列，生成的蛋白质序列包含13种不同类型的蛋白质，如表2C. 第三个案例研究：在DNA序列上实现Lion-AYAD有两个切割点在这个案例研究中，我们得到一个序列，它有两个蓝色的起始点是ATG ， 两 个 红 色 的 终 点 是 TAG 和 TAA ， 而 序 列 是[AGTATGAAAACCCAC-GATGGTAGCCCGAGATTGAGATGTGGTTTTTCAGATAACAG]。这活性序列包含57项，而通过对其应用Lion-AYAD算法生成两个蛋白质序列，第一个包含6种不同类型的蛋白质，第二个包含5种不同类型的蛋白质，如表3和图9（a和b）所示。D. 案例研究之四：在具有三个切割点的DNA活性序列在这个案例研究中，我们得到了一个序列，该序列具有三个以蓝色表示的起点是ATG，三个以红色表示的终点是TAG和TAA，而序列是[GATATGTGGTAGCCCGAGATGTGGTTTTTCAGATAACAGATGTG-GAGCAGCTTTTAG]。该活性序列包含57个氨基酸序列，应用Lion-AYAD算法，得到3个蛋白质序列，表4描述了蛋白质的分布（第一组2种，第二组5种，第三组5种 图 10（a和b）显示所有细节。图第六章从短序列[ATTATGTGGTAG]生成蛋白质●S. Al-Janabi和A. 阿尔凯姆埃及信息学杂志23（2022）271281见图7。 短序列产生两个蛋白质Met和Trp。表2基于第二个案例研究生成的蛋白质。6. 讨论结论本文提出的几点可以概括为：由原始DNA产生的蛋白质= 1蛋白基因1-Met-Asp-Thr-Leu-Ser-Phe-Ala-Thr-Ser-Asp-Gln-Phe-Glu从DNA拷贝产生的蛋白质= 1蛋白基因1-Met-Asp-Thr-Leu-Ser-Phe-Ala-Thr-Ser-Asp-Gln-Phe-Glu利用DNA序列合成技术产生蛋白质新方法。在狮子优化算法中隐含增强的搜索机制。使用Lion优化算法实现四个名为“AYAD”的新功能，-是的在产生蛋白质方面的最佳结果包括只有四个新功能的调用行为最优lion-AYAD发现E. 案例研究之五：在具有八个切割点在本案例研究中，我们激活一个序列，该序列有8个起始点和结束点;序列是[GGGATGGACACCTTATCATTTGCTACTAGCGACCAGTTTGAGTAGCTTCGGTGAATTTGGCACACATGACTGGGAATGACCCCATTGACCCAGTGGTTTTTGAGTGGTGTTATGAGGGGGACCCGAGATGTGGTTTGAAATAGACAAGTAGACCCTAATAGACAGTATGAAAACCCACGAGTGGTAGCCCGAGATTGAGATGTGGTTTTTCAGATAACAG]。该活性序列包含297个项目，而通过应用Lion-AYAD算法在其上生成8个蛋白质序列，这8个序列包含分布在8个组中的99个蛋白质，特别是（13，25，5，26，13，5，6和5）不同类型的蛋白质，如表5所解释的。而图11（a和b）中所示的所有步骤。从DNA序列中生成所有真实蛋白质的最佳行为在总结该算法的主要特点和特点之前，将从四个方面分析传统的优化算法（即，优点、缺点、主要参数和次要参数）与该工作中存在的称为Lion-AYAD的算法相比，通常，优化试图通过产生许多技术工作来解决各种问题，以找到特定问题的最佳或合理解决方案。在本节中，我们考虑了五种优化算法的主要特性，表6给出了它们之间的比较。在此基础上，我们用新算法（lion-AYAD）分析了每种优化算法的主要参数，其中每种优化算法都有许多参数，这些参数可以作为建立优化模型的主要因素，S. Al-Janabi和A. 阿尔凯姆埃及信息学杂志23（2022）271282图八、通过Lion-AYAD算法生成蛋白质的主要步骤S. Al-Janabi和A. 阿尔凯姆埃及信息学杂志23（2022）271283图8（续）表3基于第三个案例研究生成的蛋白质。从原始DNA产生的蛋白质= 2从DNA拷贝产生的蛋白质= 2Protein gen #1-Met-Lys-Thr-His-Glu-Trp Protein gen #1-Met-Lys-Thr-His-Glu-TrpProtein gen #2-Met-Trp-Phe-Phe-Arg Protein gen #2-Met-Trp-Phe-Phe-ArgS. Al-Janabi和A. 阿尔凯姆埃及信息学杂志23（2022）271284见图9。由lion-AYAD从DNA的活性序列产生的蛋白质有两个切割点。表4基于第四个案例研究生成的蛋白质。从原始DNA产生的蛋白质= 3从DNA拷贝产生的蛋白质= 3Protein gen #1：-Met-Trp Protein gen #1：-Met-TrpProtein gen #2：-Met-Trp-Phe-Phe-ArgProtein gen #3：-Met-Trp-Ser-Ser-PheS. Al-Janabi和A. 阿尔凯姆埃及信息学杂志23（2022）271285图10. Lion-AYAD从DNA活性序列产生的蛋白质具有三个切割点。表5a基于第五个案例研究生成的蛋白质。从原始DNA产生的蛋白质= 8从DNA拷贝产生的蛋白质= 8蛋白基因#1：-Met-Asp-Thr-Leu-Ser-Phe-Ala-Thr-Ser-Asp-Gln-Phe-Glu蛋白基因#2：-Met-Thr-Gly-Asn-Asp-Pro-Ile-Asp-Pro-Asp-Val-Val-Phe-Glu-Trp-Cys-Tyr-Glu-Gly-Asp-Pro-Arg-Cys-Gly-Phe蛋白基因#2：-Met-Thr-Gly-Asn-Asp-Pro-Ile-Asp-Pro-Asp-Val-Val-Phe-Glu-Trp-Cys-Tyr-Glu-Gly-Asp-Pro-Arg-Cys-Gly-PheProtein gen #3：-Met-Trp-Phe-Phe-Arg蛋白基因#4：-Met-Thr-Pro-Leu-Thr-Gln-Thr-Trp-Phe-Leu-Ser-Gly-Val-Met-Arg-Gly-Thr-Arg-Asp-Val-Val-Phe-Glu-Ile-Asp-Lys蛋白基因#4：-Met-Thr-Pro-Leu-Thr-Gln-Thr-Trp-Phe-Leu-Ser-Gly-Val-Met-Arg-Gly-Thr-Arg-Asp-Val-Val-Phe-Glu-Ile-Asp-Lys蛋白基因#5：-Met-Arg-Gly-Thr-Arg-Asp-Val-Val-Phe-Glu-Ile-Asp-LysProtein gen #6：-Met-Trp-Phe-Leu-LysProtein gen #7：-Met-Lys-Thr-His-Glu-TrpProtein gen #8：-Met-Trp-Phe-Phe-ArgS. Al-Janabi和A. 阿尔凯姆埃及信息学杂志23（2022）271286表5b基于第五个案例研究生成的蛋白质。从原始DNA产生的蛋白质= 8从DNA拷贝产生的蛋白质= 8蛋白基因#1：-Met-Asp-Thr-Leu-Ser-Phe-Ala-Thr-Ser-Asp-Gln-Phe-Glu蛋白基因#2：-Met-Thr-Gly-Asn-Asp-Pro-Ile-Asp-Pro-Asp-Val-Val-Phe-Glu-Trp-Cys-Tyr-Glu-Gly-Asp-Pro-Arg-Cys-Gly-Phe蛋白基因#2：-Met-Thr-Gly-Asn-Asp-Pro-Ile-Asp-Pro-Asp-Val-Val-Phe-Glu-Trp-Cys-Tyr-Glu-Gly-Asp-Pro-Arg-Cys-Gly-PheProtein gen #3：-Met-Trp-Phe-Phe-Arg蛋白基因#4：-Met-Thr-Pro-Leu-Thr-Gln-Thr-Trp-Phe-Leu-Ser-Gly-Val-Met-Arg-Gly-Thr-Arg-Asp-Val-Val-Phe-Glu-Ile-Asp-Lys蛋白基因#4：-Met-Thr-Pro-Leu-Thr-Gln-Thr-Trp-Phe-Leu-Ser-Gly-Val-Met-Arg-Gly-Thr-Arg-Asp-Val-Val-Phe-Glu-Ile-Asp-Lys蛋白基因#5：-Met-Arg-Gly-Thr-Arg-Asp-Val-Val-Phe-Glu-Ile-Asp-LysProtein gen #6：-Met-Trp-Phe-Leu-LysProtein gen #7：-Met-Lys-Thr-His-Glu-TrpProtein gen #8：-Met-Trp-Phe-Phe-Arg表6主要优化算法与Lion-AYAD的比较。算法优点缺点主要参数次要参数PSO●可简单实现● 需要调整的● 能够运行并行计算● 可以是稳健的● 具有更高的概率和效率在寻找全局最优● 可以快速● 不要重叠和变异● 计算时间● 可以有效地解决难以找到精确数学模型检验报告●它满足全局收敛的要求。●它支持本地和全局搜索功能。●它使用Lévy航班作为全球搜索策略。● 可能难以定义初始设计参数● 无法解决散射● 可能过早收敛并陷入局部最小值，特别是在复杂问题● 算法仍在快速发展和完善，某些环节的处理仍需不断优化X、P、Yc1、c2、r1、r2X，Y，F，N TWOA●具有避免局部最优解并获得全局最优解● 适用于解决实际应用中的不同约束或无约束优化问题● 它有两种运动方式，螺旋运动和方形运动● 不擅长探索搜索空间。X、Y、C、A、D、F、X随机t，n，p，a，r、l、bLOA●随机搜索解域的方法，避免陷入局部最优● 解的空间随着待解● 它的工作原理是找到并用最好的解决方案取代最差的解决方案● 该算法的结果证实了它的高性能相比，其他优化算法。● 搜索空间可能很大，因此需要更多的时间来找到最佳解决方案。Npop、X、Y、F、SM、UB、LB狮子-Ayad● 动态机制可以与不同长度的序列（小，中，长序列）● 降低寻找最佳蛋白质的时间复杂度● 精度高，因为在每一步中，在移动到下一个步骤● 加入新的狮子四个功能，使其更加强大● 需要更多计算● 用户确定序列X，Y，C，A，D，F，XrandM、UB、LB其中，X是输入数据集，Y是目标，F是激活函数，N是嵌套的数量，T是迭代的数量，W是权重，Jc是跳跃常数，E是误差比，Npop种群数量，S是种子，M是交配，UB是较高维度，LB是较低维度，Xrand =随机选择的解向量，CA是系数向量，D是运动的方向，t是当前迭代，r是随机向量，a是在整个迭代中从2减小到0的向量，p是运动、螺旋或平方的概率，b是对数螺旋常数，l是范围[-1，1]中的随机数。表7主要参数对优化技术的影响算法参数××XYFN不WJCEN流行SMUBLBC一DX兰特不np一RLpR1R2C1C2PoPSO××××××××××××××××××××××UUUUUCOAWOAU×U×××××××××××××××××U×U×U×U×U×U×U×U×U×U×U×××××××××Loa狮子-阿亚德U××U×××U×××UUUUUUUUUUU×××××××××××××××××××U×U×U×U×××××S. Al-Janabi和A. 阿尔凯姆埃及信息学杂志23（2022）271287表8影响优化技术的评价指标之间的比较评价措施PSOCOAWOALoa狮子-阿亚德精度84.87%72.89%91.54%百分之九十点零一百分之九十二点五一真阳性（TP）百分之八十六百分之八十一百分之八十八百分之八十七百分之八十九精度百分之九十七百分之八十三百分之九十二百分之九十三百分之九十一召回91.16%77.19%89.81%84.81%82.21%F-measure93.58%83.61%百分之九十三点八二百分之九十五点二三百分之九十七点七九图十一岁由活性DNA序列产生的蛋白质有八个切割点。它可以是辅助参数，辅助参数有助于提供最优解。为了建立一个新的Lion-AYAD优化器，需要对这些参数进行表7显示了优化技术参数之间的压缩。结果表明，Lion-AYAD算法的主要优点是对不同长度序列的动态应用通过第一个特征实现了算法的自动化，算法在每一步中搜索从起点到目标的最短路径，狮子依次移动通过在行进到最佳位置之前搜索子目标的最佳位置，这满足该算法的第二特征。产生DNA活性序列的mRNA分子（即，狮子具有通过该算法第二特征确定的最佳值适合度）;为每个基因构建mRNA（即，移动到特定区域（已知其起点和终点）然后从mRNA构建蛋白质最后，在将蛋白质分成三联体后构建蛋白质的tRNA，这通过在标题为“合作”的算法中添加第三个属性来实现。如何合成每三个tRNA以产生前-S. Al-Janabi和A. 阿尔凯姆埃及信息学杂志23（2022）271288图12个。迭代次数与误差的关系S. Al-Janabi和A. 阿尔凯姆埃及信息学杂志23（2022）271289图十三. 所有迭代的狮子健身值。这是通过应用四类规则在最后的特征相加算法中实现的，称为tRNA的三元组的深度复合。Lion-AYAD算法作为实用的优化模型出现，如表8和图8所示。图12示出了每次迭代中的错误率生成，而图13示出了每次迭代中的错误率生成。 13提出了狮子的适合度值。 图 15显示了所有来自分组狮子的算法结果，降低了成本并增加了找到最佳适应度（即，解决方案）。Lion-AYAD可以应用于其他领域，如化学，以减少成本，时间和人力，通过确定主要规则（即，限制），以避免不正确的材料之间的相互作用，同时优化模型，以寻找最佳的新材料可以通过计算材料之间的相互作用，然后在实验室应用的实验。图14个。结果（a）由Lion-AYAD生成的最佳适应度，（b）最佳种群的适应度值，（c）解释成本函数的值如何减少以达到最佳值，（d）由Lion-AYAD生成的具有相同行为结果的线种群的最佳数量组S. Al-Janabi和A. 阿尔凯姆埃及信息学杂志23（2022）271290图15个。基于评价指标的优化算法Lion-AYAD的比较伦理批准本文不包含任何作者对人类参与者或动物进行的任何研究。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用[1] Emary E，Zawbaa HM，Hassanien AE.特征选择的二进制蚁群方法。神经计算2016;213：54-65.[2] [10]杨文，李文，李文. 基于混沌蚁群优化的特征选择。PLoS ONE2016;11（3）：e0150652.[3] Gupta S，Kumar V，Rana K，Mishra P，Kumar J.在labview中开发蚁狮优化工具包。2016年网络安全创新与挑战国际会议（ICICCS-INBUSH）p. 251- 6[4] [10]杨文辉，陈文辉.基于蚁群优化算法的多层感知器训练器。2015年第四届信息科学与工业应用国际会议（ISI）IEEE; 2015年。p.40比5[5] 杨伟杰，李伟杰.基于加权精英思想的蚁群优化算法求解无功优化规划问题。 ApplSoft Comput 2017;55：352-70.[6] 王文，王文生，等.基于蚁群算法的电力系统非凸经济负荷分配问题的研究.电力工程学报，2001，14（1）：131 - 134. 神经计算应用2017;28（8）：2181-92.[7] Ali ES，Abd Elazim SM，Abdelaziz AY.基于蚁群优化算法的可再生分布式电源优化配置与规模确定。Electr Eng 2018;100（1）：99-109.[8] Petrovic′M，Petronijevic′J，Mitic′M，Vukovic′N，Miljkovic′Z，Babic′B。集成工艺规划与调度的蚁群优化算法。 在：应用力学和材料。跨技术出版社2016. p. 187比92[9] 吴晓波，王晓波，王晓波.基于蚁群优化算法的pid+二阶微分控制器在多区域系统自动发电控制中的应用。Int J Electr Power Energy Syst 2016;80：52-63.[10] 杜贝HM，潘迪特M，Panigrahi BK. 蚁狮优化法求解短期风光互补水火电发电调度问题。Int J Electr PowerEnergy Syst 2016;83：158-74.[11] Mirjalili S，Jangir P，Saremi S.多目标蚁群优化器：一种解决工程问题的多目标优化算法。ApplIntelligence 2017;46（1）：79-95.[12] Al-Janabi S，Alkaim AF.一个漂亮的协作分析预测一个新的工具（DRFLLS）缺 失 值 估 计 。 Springer ， Soft Comput 2020;24 （ 1 ） ： 555-69. doi ：https://doi.org/10.1007/s00500-019-03972-x网站。[13] 作者：Al-Janabi S，Alhashmi S，Adel Z.基于可再生能源知识约束的设计（More-G）模型In：Farhaoui Y，editor.大数据和网络技术。BDNT2019.讲 座注 意 到在网 络和系 统 . Cham ： Springer; 2020. doi ：https://doi.org/10.1007/978-3-030-23672-4_20。[14] Alkaim AF，Al-Janabi S. 减少采油过程中天然气燃烧的多目标优化In：FarhaouiY，editor.大数据和网络技术。BDNT2019.讲座注意到在网络和系统. Cham ：Springer; 2020. doi：https://doi.org/10.1007/978-3-030-23672-4_10。[15] Al-Janabi S，Mahdi MA.评估预测技术，以实现最佳的生物医学分析。Int J GridUtility Comput 2019;10（5）：512-27.[16] Maziar Y，Fariborz J.的Lion Optimization Algorithm（LOA）：A nature-inspiredmetaheuristic algorithm。J Comput Des Eng 2016;3（1）：24-36. doi：https：//doi. org/10.1016/j.jcde.2015.06.003。[17] Al-Janabi S，Alkaim A，Al-Janabi E，Aljeboree A，Mustafa M.空气污染浓度（PM2.5，PM10，NO2，CO，O3，SO2）智能预报器（IFCsAP）。神经计算应用2021;33（21）：14199-229. doi：doi.org/10.1007/s00521-021-06067-7.[18] Al-Janabi S，Alkaim AF，Adel Z.深度学习技术（DCapsNet DCOM）的创新综合，用于从风能中产生电力可再生能源。软计算2020;24：10943-62。doi：https://doi.org/10.1007/s00500-020-04905-9。[19] Al-Janabi S，Kadhum G.基于DSA、WOA和gSpan-FBR协同作用的水处理生物识别材料的合成在：亚伯拉罕A，编辑。第12届软计算与模式识别国际会议（SoCPaR 2020）SoCPaR 2020 。智能系统与计算进展。Cham： Springer;2021. doi：https://doi.org/10.1007/978-3-030-73689-7_3。[20] Al-Barmani Z，Al-Janabi S.智能数据挖掘技术在水质指标验证In：AbrahamA，Hanne T，Castillo O，Gandhi N，Nogueira Rios T，Hong TP，editors.混合智能系统。他的2020年。智能系统与计算进展。Cham：Springer; 2021.doi：https：//doi. org/10.1007/9
我的内容管理
展开
