融合PPI网络和基因表达的复合物识别算法

从大规模相互作用网络中识别蛋白质复合物,对解释特定的生物进程和预测蛋白质功能具有重要作用,同时也是后基因组时代一个最重要的研究课题.考虑到传统仅基于蛋白质相互作用网络(PPI网络)的蛋白质复合物识别算法可靠性不高,本文提出了一种新的融合PPI网络和基因表达数据的蛋白质复合物识别算法IPCIPG.区别于之前用基因表达数据评估PPI网络可靠性的做法,本文提出在蛋白质复合物的识别过程中将PPI网络和基因表达数据有机地结合起来.算法IPCIPG首先根据边聚集系数(ECC)与蛋白质间共表达的相关性(PCC)计算PPI网络中每个节点的权重,权重最大的节点作为种子,然后从种子节点开始扩充生成稠密子图.基于酵母数据集的实验结果表明,算法IPCIPG较其他算法HUNTER,HC-PIN,CMC,SPICI,MOCDE,MCL能够更准确,更有效地识别出具有特定生物意义的蛋白质复合物.     

基于团渗透和距离限制的蛋白质复合物识别算法

算法CPM (clique percolation method)作为一种有效的识别复杂网络中交叠模块结构的算法在社会网络和生物网络中得到了广泛应用. 但, CPM算法应用于蛋白质相互作用网络时蛋白质复合物识别准确率不高, 且不利于识别规模适中的蛋白质复合物. 为克服CPM算法的不足, 本文通过引入距离限制约束识别的蛋白质复合物的规模, 进而提出了一种基于团 渗透和距离限制的蛋白质复合物识别算法CPM-DR. 基于酵母蛋白质相互作用网络平台的实验结果表明, 算法CPM-DR比CPM能够更准确、更有效、更全面的识别出具有特定生物意义的蛋白质复合物.     

数据整合方法构建大鼠分子调控网络

对大鼠的分子调控网络进行了系统化的建模分析和预测.选取了7类具有显著生物学含义的数据类型(证据),采用数据整合的方法对蛋白质-蛋白质相互作用(PPI)和蛋白质-DNA相互作用加以系统性分析,并利用支持向量机(SVM)预测大鼠全基因组的PPI和PDI.通过对阈值的设定,有效的控制假阳性率,预测结果与权威数据库BOND和MINT中的记录部分重合.实验结果表明数据整合方法可以弥补单一证据的局限性,提高预测的准确性,为后续的实验验证提供理论支持.     

基于酵母实验数据构建其蛋白质作用网络模型

为考察模型在生物上的可靠性,从真实的蛋白质相互作用研究所报道的数据出发,选取合适的复制-变异的关键参数,依据复制-变异的建模思想,构建了酵母蛋白质相互作用网络模型。实证结果与目前得到认同的酵母蛋白质网络的稀疏性、无标度性和小世界性吻合。由此可知,复制-变异模型在蛋白质相互作用网络的演化模拟中是个可靠的模型。     

基于网络权重的多社团网络结构划分算法

利用社团网络的统计特性,提出一种适于社团网络线性时间复杂度的多社团识别算法.构造复杂网络中节点的权重计算函数,进而生成计算序列,用迭代算法对复杂网络各种类型的节点进行集合分配.通过多个不同规模的网络结构数据对算法的性能进行测试,实验结果表明该算法时间复杂度为线性,能够在较短时间内对复杂网络中的社团数和社团结构进行发现,该算法还表现出对不同密度网络社团识别良好的适应性.     

ad hoc网络中基于离散粒子群优化的权重分簇算法

针对移动性较强的ad hoc网络,提出了一种基于离散粒子群优化的权重分簇算法.该算法通过引入节点局部密度,仅利用节点局部拓扑信息来计算权重,然后通过离散粒子群优化簇头选举.在保证网络负载平衡的情况下,最大限度确保网络稳定性.仿真试验表明,与典型的权重分簇算法WCA比较,该算法提高了移动ad hoc网络的稳定性,同时网络生命周期平均提高了88.28%.     

基于多任务学习图卷积模型的航空网络节点分类

准确识别航空网络关键节点, 做好针对性防护, 对于保证航空网络正常运行至关重要。传统的方法, 如基于复杂网络中心性指标的方法, 或基于机器学习的算法, 只单一考虑网络结构或节点特征来评价节点的重要性。然而评价节点的重要性应该同时考虑网络结构特征和节点特征。为解决上述问题, 本文提出了一种名为多任务图卷积网络(multi tasks graph convolution network, MTGCN)航空网络节点分类模型, 该模型在图卷积网络的基础上, 引入多任务学习及自适应加权策略, 将“节点—节点相关性”作为辅助任务加入模型的训练过程中, 并根据训练情况自适应分配各任务权重。3个不同规模的航空网络数据集中的仿真实验表明本文所提模型的性能优于现有的图卷积模型, 为图卷积在航空网络节点分类方向的应用提供了思路。     

基于动态AHP的海上移动节点网络选择算法

针对海上异构无线网络中现有的节点选择算法存在的实时有效性和与移动节点匹配性较差的问题, 提出了一种基于动态层次分析(dynamic analytic hierarchy process, DAHP)法和协同学原理的网络接入选择算法。该算法在满足多因素判决和静态节点网络选择的基础上, 采用DAHP法确定接入判决指标的主观权重, 运用协同学相关原理确定客观权重, 利用接收功率确定移动节点的位置权重, 并通过对主、客观和位置权重进行再分配, 实现了对移动节点周围的实时网络状态与任务通信需求的兼顾, 提高了算法实时性和与移动节点的匹配性。仿真结果表明, 该算法相对于基于传统AHP和协同学原理的网络选择算法、基于距离的移动节点算法, 能够在降低节点业务阻塞率的同时提高通信通畅度与实时性。     

离散粒子群社区检测算法

针对复杂网络中的社区检测问题,提出了一种基于节点影响力的离散粒子群社区检测方法。该方法以模块度密度作为目标函数,利用离散粒子群算法对其进行优化,在优化过程中提出了节点影响力的概念,其充分利用了网络中节点的相互关系检测网络中的社区结构。同时,在此基础上提出了基于节点影响力的粒子群初始化方法和粒子状态更新方法。利用人工网络数据集和真实网络数据集对所提算法进行测试,实验结果表明,所提算法具有较好的检测结果,能更好地对网络中社区进行划分。     

基于自适应遗传算法的传感器网络数据融合算法

能源有效性是无线传感器网络(WSN)路由算法设计要考虑的首要问题,数据融合可以通过合并冗余数据而有效地节约能耗.提出了一种基于自适应遗传算法(AGA)的WSN数据融合算法,基于移动代理(MA)对Sink节点发出兴趣代理报文和目标节点发出数据代理报文进行转发.采用AGA求出MA最优路由节点序列,通过把WSN均匀分割为多个大小适当的二维网格,形成AGA的初始群体.仿真结果表明,随着网络规模增大,和局部最近邻优先算法(LCF)相比,该算法有更小的网络能耗和延时.     

On network-based kernel methods for protein-protein interactions with applications in protein functions prediction

Predicting protein functions is an important issue in the post-genomic era. This paper studies several network-based kernels including local linear embedding (LLE) kernel method, diffusion kernel and laplacian kernel to uncover the relationship between proteins functions and protein-protein interactions (PPI). The author first construct kernels based on PPI networks, then apply support vector machine (SVM) techniques to classify proteins into different functional groups. The 5-fold cross validation is then applied to the selected 359 GO terms to compare the performance of different kernels and guilt-by-association methods including neighbor counting methods and Chi-square methods. Finally, the authors conduct predictions of functions of some unknown genes and verify the preciseness of our prediction in part by the information of other data source.     

Distributed localization for anchor-free sensor networks

Geographic location of nodes is very useful in a sensor network. Previous localization algorithms assume that there exist some anchor nodes in this kind of network, and then other nodes are estimated to create their coordinates. Once there are not anchors to be deployed, those localization algorithms will be invalidated. Many papers in this field focus on anchor-based solutions. The use of anchors introduces many limitations, since anchors require external equipments such as global position system, cause additional power consumption. A novel positioning algorithm is proposed to use a virtual coordinate system based on a new concept--virtual anchor. It is executed in a distributed fashion according to the connectivity of a node and the measured distances to its neighbors. Both the adjacent member information and the ranging distance result are combined to generate the estimated position of a network, one of which is independently adopted for localization previously. At the position refinement stage the intermediate estimation of a node begins to be evaluated on its reliability for position mutation; thus the positioning optimization process of the whole network is avoided falling into a local optimal solution. Simulation results prove that the algorithm can resolve the distributed localization problem for anchor-free sensor networks, and is superior to previous methods in terms of its positioning capability under a variety of circumstances.     

两种策略下的最短路径并行算法研究与实现

随着智能交通运输系统的研究与应用,对在大规模交通网络上求解最短路径的实时性提出了更高的要求。为了找出适用于实际交通网络的高效最短路径并行算法,首先选取了3种最短路径标号串行算法,以此为基础分别实现了网络复制及网络分割两种策略下求解最短路径的并行算法。最后,从基于G IS的交通规划软件T ransCAD中提取了实际交通路网数据,同时还随机产生了不同规模的稀疏格网,在这些网络中对并行算法的性能进行了测试和分析。结果表明,在8台机器上求解含5 181个节点的实际交通网络中32个源点的最短路径时,基于网络分割的双队列标号修正并行算法的加速比可达到6.32,在其他网络中也表现出较好的加速比及可扩展性。     

无人飞行器Ad hoc网络中基于容错的中继节点配置

针对无人飞行器Ad hoc网络的容错设计需求,采用增加中继节点的方法实现。在二维平面同构网络中,将容错问题转化为边长受限条件下最少数量Steiner点的Steiner树问题。提出了两种基于最小成本子图的中继节点配置算法,以求解最少数量的中继节点及其位置,使改变后的网络拓扑图为顶点2-连通,实现容错。第一种为多项式时间的8-近似算法;第二种为随机近似算法,采用文化基因算法,搜索需要新增加的最小成本强化边组合。仿真结果表明了所提算法的有效性,当网络规模较小和中等时,随机近似算法得到的中继节点数量较少,平均情况下性能较优。     

并行多层快速多极子算法的最细层处理改进

基于消息传递平台（message passing interface, MPI）,从多层快速多极子算法（multilevel fast multipole algorithm, MLFMA）实施过程出发,实现了飞行器雷达散射截面 (radar cross section, RCS)的并行计算,提出一种新的并行设计方案。改进了基于立方体组的并行处理技术,减少了最细层计算的通信量;考虑到内存的主要组成部分,为提高算法并行效率,采用一种用于积分方程中近组作用矩阵的并行处理方法,对其采用按行平均分配到各计算结点的方法组建相关矩阵元素,使该部分通信量为零,各节点可独立计算并节省内存;同时优化了其他物理量的内存分配。算例说明,所提方法可明显提高计算效率,并具有精度好、负载均衡优良的特点。     

基于选举的SDN机载网络控制器故障恢复机制

针对软件定义航空集群机载网络控制域内控制节点故障问题,将故障恢复问题转化为领导者选举问题,提出一种基于选举的软件定义机载网络控制器故障恢复机制,在控制域内选举传输节点作为新控制节点。为优化新控制节点性能,综合各传输节点平均传输时延、最大请求量和平均故障率3个参数计算传输节点的权值,根据权值定义选举优先级,并提出基于优先级的控制节点选举(priority-based control node election, PBCNE)算法。实验结果表明,与现有选举算法相比, PBCNE算法的复杂度(消息数和时间量)有了明显降低,有效减少了故障恢复时延,能够快速高效地恢复控制器故障。     

基于选举的SDN机载网络控制器故障恢复机制

针对软件定义航空集群机载网络控制域内控制节点故障问题,将故障恢复问题转化为领导者选举问题,提出一种基于选举的软件定义机载网络控制器故障恢复机制,在控制域内选举传输节点作为新控制节点。为优化新控制节点性能,综合各传输节点平均传输时延、最大请求量和平均故障率3个参数计算传输节点的权值,根据权值定义选举优先级,并提出基于优先级的控制节点选举(priority-based control node election, PBCNE)算法。实验结果表明,与现有选举算法相比, PBCNE算法的复杂度(消息数和时间量)有了明显降低,有效减少了故障恢复时延,能够快速高效地恢复控制器故障。     

Distributed event region fault-tolerance based on weighted distance for wireless sensor networks

Event region detection is the important application for wireless sensor networks (WSNs), where the existing faulty sensors would lead to drastic deterioration of network quality of service. Considering single-moment nodes fault-tolerance, a novel distributed fault-tolerant detection algorithm named distributed fault-tolerance based on weighted distance (DFWD) is proposed, which exploits the spatial correlation among sensor nodes and their redundant information. In sensor networks, neighborhood sensor nodes will be endowed with different relative weights respectively according to the distances between them and the central node. Having syncretized the weighted information of dual-neighborhood nodes appropriately, it is reasonable to decide the ultimate status of the central sensor node. Simultaneously, readings of faulty sensors would be corrected during this process. Simulation results demonstrate that the DFWD has a higher fault detection accuracy compared with other algorithms, and when the sensor fault probability is 10%, the DFWD can still correct more than 91% faulty sensor nodes, which significantly improves the performance of the whole sensor network.