25、基于知识的生物信息决策支持系统解析

基于知识的生物信息决策支持系统解析

1. 系统架构概述

系统主要分为对象层、控制层和接口层。
- 对象层 :规则编码了系统能为用户提供的策略和启发式方法,这些规则可从不同来源提取,目前规则集的核心由大量科学论文组成。
- 控制层 :包含执行器模块,它根据输入数据运行对象层的工具。执行器由推理器控制,用中间结果更新知识库,并将最终结果发送给用户。
- 接口层 :用户通过图形用户界面(GUI)和包装器查看系统操作。包装器管理控制层执行器与GUI之间的通信,GUI接收用户交互并将消息发送给包装器,包装器将消息格式化后发送给执行器模块,并向推理器发送查询。

以下是系统架构的简单 mermaid 流程图:

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    A(用户):::process -->|交互| B(GUI):::process
    B -->|消息| C(包装器):::process
    C -->|格式化消息| D(执行器模块):::process
    D -->|运行工具| E(对象层工具):::process
    D -->|更新| F(知识库):::process
    D -->|结果| B
    F -->|信息| D
    C -->|查询| G(推理器):::process
    G
先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值