Метод полноcтью паpаллельной pазноcтной эволюции для адаптации моделей в cиcтемной биологии

Описание

Метод полноcтью паpаллельной pазноcтной эволюции для адаптации моделей в cиcтемной биологии (Библиотека подпрограмм ППРЭ (DEEP))

Применение 

Программа предназначена для решения обратной задачи математического моделирования методом полностью параллельной разностной эволюции (ППРЭ). Минимизируемый функционал может включать штрафную функцию, на параметры могут быть наложены ограничения в виде неравенств. Программа применима для задач с непрерывными и дискретными значениями параметров. В программе представлена новая схема миграции, в которой лучший индивид данной ветви замещает старейшего индивида другой ветви, т. е. тот набор параметров, который не менялся наибольшее число итераций среди всех индивидов ветви.

Актуальность

В настоящее время активно развиваются стохастические, глобальные и локальные, включая основанные на природных явлениях, методы решения обратной задачи математического моделирования путем минимизации целевой функции. Разнообразие биомедицинских приложений и большие объемы гетерогенных данных зачастую делают эффективные алгоритмы зависимыми от конкретной задачи, что затрудняет их широкое использование. Разработанный метод полностью параллельной разностной эволюции (ППРЭ) и программа позволяют использовать любое количество целевых функций, созданных в различных компьютерных системах.

Научная и практическая значимость

Метод ППРЭ был успешно применен для выявления регуляторных механизмов в сети генов gap, управляющей образованием сегментов в раннем эмбрионе плодовой мушки, в том числе с учетом мутации по гену Kruppel и сайтов связывания транскрипционных факторов. Недавно с помощью ППРЭ удалось создать метод reAdmix, способный определять биогеографические корни сильно смешанных индивидов.

Партнеры

  • ФТИ им. Иоффе, Санкт-Петербург;
  • ИЦиГ СО РАН, Новосибирск;
  • Университет Южной Калифорнии, Лос-Анджелес, США.

Используемые ресурсы и оборудование

  • Программа на писана на языке программирования С;
  • Для параллелизации используется средства библиотеки Glib (https://developer.gnome.org/glib);
  • Целевая функция может быть сформулирована на любом языке программирования или компьютерной системе, например, R, Octave, Python, Fortran, C.

Результаты

Метод ППРЭ доступен по адресу в сети Интернет http://sourceforge.net/projects/deepmethod/. Эффективность была проверена на трех многоэкстремальных функциях размерности 30 из набора Competition on Real Parameter Single Objective Optimization 2014 (CEC-2014) — функции Гриванка (Griewank), Растригина (Rastrigin) и Швефеля (Schwefel). ППРЭ превзошел метод Covariance Matrix Leaning and Searching Preference (CMLP) для функции Гриванка (лучшее отклонение от известного решения 0.00 против 0.07), CMLP и United Multi-Operator Evolutionary Algorithms (UMOEAs) для функций Растригина (0.00 против 6.97 и 1.99) и Швефеля (0.23 против 59.02 и 11.45). Для функций Гриванка и Растригина результаты ППРЭ сходны, а для функции Швефеля проигрывают Success-History Based Parameter Adaptation for Differential Evolution (L-SHADE) (0.23 против 0.00). Таким образом ППРЭ показал на тестовых примерах результаты, сравнимые или лучшие по точности с тремя лучшими алгоритмами из CEC-2014.

Технические характеристики

  • Параллельная эффективность не менее 80% для 50 вычислительных узлов.
  • Погрешность подгонки решений модели к экспериментальным данным не превышает оценки погрешности в экспериментальных данных, например, 5%.

Руководитель проекта

Самсонова Мария Георгиевна