| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景与意义 | 第8页 |
| 1.2 相关研究进展 | 第8-10页 |
| 1.3 本文主要研究工作 | 第10-11页 |
| 1.4 本文组织结构 | 第11-13页 |
| 2 面向蛋白质-多肽的对接算法的研究现状 | 第13-25页 |
| 2.1 生物多肽与蛋白质 | 第13页 |
| 2.2 蛋白质-多肽对接构象采样方法 | 第13-19页 |
| 2.2.1 蒙特卡洛方法 | 第14-15页 |
| 2.2.2 分子动力学方法 | 第15-16页 |
| 2.2.3 遗传算法 | 第16-18页 |
| 2.2.4 群智能算法 | 第18-19页 |
| 2.3 当前主流的蛋白质-多肽对接算法 | 第19-25页 |
| 2.3.1 Rosetta FlexPepDock对接算法 | 第19-20页 |
| 2.3.2 HADDOCK对接算法 | 第20-21页 |
| 2.3.3 DynaDock对接算法 | 第21-22页 |
| 2.3.4 GalaxyPepDock对接算法 | 第22-23页 |
| 2.3.5 pepCrawler对接算法 | 第23-24页 |
| 2.3.6 FISPDock对接算法 | 第24-25页 |
| 3 基本人工蜂群算法及其改进 | 第25-41页 |
| 3.1 蜂群算法 | 第25-26页 |
| 3.2 基于蜂群算法的主要变种 | 第26-28页 |
| 3.2.1 全局最优引导的蜂群算法-GABC | 第26页 |
| 3.2.2 动态调整领域搜索步长的蜂群算法-bsfABC | 第26-27页 |
| 3.2.3 基于互学习的蜂群算法-MutualABC | 第27页 |
| 3.2.4 借鉴差分进化的蜂群算法-IABC | 第27-28页 |
| 3.3 强化互学习的人工蜂群算法 | 第28-34页 |
| 3.3.1 互学习策略 | 第28-29页 |
| 3.3.2 增强变动频率的改进方案 | 第29-30页 |
| 3.3.3 深化变量学习策略 | 第30-31页 |
| 3.3.4 EMLABC算法 | 第31-34页 |
| 3.4 实验仿真和结果 | 第34-41页 |
| 3.4.1 实验条件 | 第35页 |
| 3.4.2 与ABC以及MutualABC的对比 | 第35页 |
| 3.4.3 与PSO变种和其它ABC变种的对比 | 第35-41页 |
| 4 基于强化互学习人工蜂群的蛋白质-多肽对接算法 | 第41-53页 |
| 4.1 优化问题表述及优化变量 | 第41页 |
| 4.2 能量打分函数 | 第41-43页 |
| 4.3 算法实现及运行环境 | 第43页 |
| 4.4 EMLABCDock算法 | 第43-44页 |
| 4.5 实验和结果 | 第44-53页 |
| 4.5.1 实验数据集和评估标准 | 第45-46页 |
| 4.5.2 初始位置依赖性测试 | 第46-49页 |
| 4.5.3 实验对比算法 | 第49页 |
| 4.5.4 实验结果和分析 | 第49-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 攻读硕士学位期间发表学术论文情况 | 第60-61页 |
| 致谢 | 第61-62页 |
