Studium, Ausbildung und Beruf
 StudiumHome   FAQFAQ   RegelnRegeln   SuchenSuchen    RegistrierenRegistrieren   LoginLogin

Evolutionäre Algorithmen in der Biologie
Neues Thema eröffnen   Neue Antwort erstellen
Foren-Übersicht -> Biologie-Forum -> Evolutionäre Algorithmen in der Biologie
 
Autor Nachricht
tilll
Newbie
Benutzer-Profile anzeigen
Newbie


Anmeldungsdatum: 24.10.2008
Beiträge: 5

BeitragVerfasst am: 24 Okt 2008 - 10:25:02    Titel: Evolutionäre Algorithmen in der Biologie

Hallo,

ich bin gerade am verzweifeln Crying or Very sad

Ich bin auf der Suche nach einem Anwendungsbeispiel von evolutionären Algorithmen in der Biologie.

Könnt ihr mir da weiterhelfen? Bei google bin ich leider noch nicht wirklich fündig geworden, da werden zwar Einsatzgebiete aufgezeigt und man findet auch eine menge über die EAs. Aber kein "einfaches" (Anwendungs-)Bsp, an dem eine Suche oder Optimierung erklärt wird.

Oder könnt ihr mir sogar eins Erstellen?

Danke.
cyrix42
Valued Contributor
Benutzer-Profile anzeigen
Valued Contributor


Anmeldungsdatum: 14.08.2006
Beiträge: 24257

BeitragVerfasst am: 24 Okt 2008 - 10:51:42    Titel:

Hm, also was mir dazu einfällt, sind solche Protein-Faltungs-Simulationen, die i.W. EA verwenden.

Grüße
Cyrix
tilll
Newbie
Benutzer-Profile anzeigen
Newbie


Anmeldungsdatum: 24.10.2008
Beiträge: 5

BeitragVerfasst am: 24 Okt 2008 - 11:09:30    Titel:

Also was ich genau bräuchte, wäre ein simples Bsp. (in der Biologie Wink ) an dem das ganze Verfahren recht einfach zu erklären ist...

Leider bin ich nicht in der Lage mir selber ein einfaches Bsp. zu stricken.
Komme aus der Informatik und habe somit nur "rudimentäre" Biokenntnisse.

Aber ich bin euch auch so für jeden Tipp dankbar.
quatsch
Moderator
Benutzer-Profile anzeigen
Moderator


Anmeldungsdatum: 31.08.2005
Beiträge: 3493

BeitragVerfasst am: 24 Okt 2008 - 12:22:42    Titel:

http://dx.doi.org/10.1021/ci034132y wäre ein Beispiel aus der Chemie. Kann man auch als Biologisch bezeichnen, schließlich ist Strukturaufklärung auch für Metabolomics-Leute interessant.
tilll
Newbie
Benutzer-Profile anzeigen
Newbie


Anmeldungsdatum: 24.10.2008
Beiträge: 5

BeitragVerfasst am: 24 Okt 2008 - 12:31:56    Titel:

Leider kann ich mir das nicht "kostenlos" ansehen.

Ich habe mal was kurzes gefunden:
Suppose your “organisms” are 32-bit computer words, and you want a string in which all the bits are ones.
Here’s how you can do it:
- Create 100 randomly generated computer words
- Repeatedly do the following:
-->Count the 1 bits in each word
-->Exit if any of the words have all 32 bits set to 1
-->Keep the ten words that have the most 1s (discard the rest)
-->From each word, generate 9 new words as follows:
-->Choose one of the other words
-->Take the first half of this word and combine it with the second half of the other word

Das spiegelt ja einen "genitschen Algorithmus" wieder. Jetzt meine Frage an die Biologen Wink:
1.) RNA kann ich doch durch eine Codierung (Gray-Codierung) der einzelnen Aminosäuren(?) mit 1 und 0 darstellen, oder?

2.) Wann wäre es dann sinvoll, d.h. wann möchte ich denn eine Folge mit nur 1 rausbekommen? Eventuell wäre es ja auch besser, wenn man nicht nur einsen nimmt, damit man die Fitness-Funktion noch besser abspieglen kann.

Könnte man das so banal runterbrechen? Könnt ihr mir helfen, dieses Bsp. auf eine sinnvolle biologische Schiene zu heben...


Oder was haltet ihr von diesem Bsp.:
Zitat:

To illustrate the manipulation of chromosomes by the genetic operators reproduction, crossover, and mutation, we will look at some sample program output for a very simple problem.

* Maximize the number of ones in a bit chromosome of length 10.
* The population consists of four chromosomes.
* One-point crossover is applied with a probability of 0.7. The crossover genetic operator exchanges genes between two chromosomes.
o Two other versions are uniform and n-point.
* Each gene mutates with a probability of 0.1.
* The population is printed every generation.
* The genetic algorithm runs for three generations.

We first see the randomly generated initial population, in which the best fitness is 5.

The GA parameters are:
populationSize = 4 numXoverPoints = 1
crossoverRate = 0.7 mutationRate = 0.1
doElitism = false printPerGens = 1
maxGenerations = 3 Debug.flag = true
logFileName = bit.out
BitCountChromosome: chromosome length is 10
GA: chromosome length = 10
GA: mainLoop
Known solution fitness is 10.0
p0: 0000110100 this chromosome has 3 bits set fitness= 3.0
p1: 1100010110 this chromosome has 5 bits set fitness= 5.0
p2: 1111001000 this chromosome has 5 bits set fitness= 5.0
p3: 0101011001 this chromosome has 5 bits set fitness= 5.0
currentBest (generation=0):
1100010110 this chromosome has 5 bits set fitness= 5.0
Initial population:
generation=0 best value=5.0 avg=4.5 stddev=1.0

A proportional selection algorithm called the roulette wheel method is used for reproduction.

* The cumulative fitness values of the chromosomes are computed.
* Then four random numbers between 0 and 1 are generated to select the new population members.
* The cumulative fitness values that bracket each random number determine which chromosome gets selected.
* It is possible for a chromosome to be selected multiple times.

mem=0, cfitness=0.16666666666666666
mem=1, cfitness=0.4444444444444444
mem=2, cfitness=0.7222222222222222
mem=3, cfitness=1.0
p=0.07431843256287485, selected 0
p=0.25792751503513034, selected 1
p=0.6502614780006086, selected 2
p=0.3749322338318496, selected 1
p0: 0000110100 this chromosome has 3 bits set fitness= 3.0
p1: 1100010110 this chromosome has 5 bits set fitness= 5.0
p2: 1111001000 this chromosome has 5 bits set fitness= 5.0
p3: 1100010110 this chromosome has 5 bits set fitness= 5.0

Now that we have the new population, it is time to apply crossover and then mutation.

* For each chromosome, a random number between 0 and 1 is generated.
* If the random number is less than the crossover probability input parameter, the chromosome is picked for crossover.
* Each time two chromosomes have been picked, one-point crossover is applied and the two resulting chromosomes replace the original ones in the new population.
* Only one crossover occurs in the first generation: chromosomes 2 and 3 exchange their genes to the left of bit position 3.
111 | 1001000 are replaced by 110 | 1001000
110 | 0010110 111 | 0010110
* After the one crossover, the new population is listed.

crossing 2 and 3
OnePointCrossover: just crossed at 3
p0: 0000110100 this chromosome has 3 bits set fitness= 3.0
p1: 1100010110 this chromosome has 5 bits set fitness= 5.0
p2: 1101001000 this chromosome has 4 bits set fitness= 4.0
p3: 1110010110 this chromosome has 6 bits set fitness= 6.0

Each chromosome is now given the chance to mutate by generating a random number between 0 and 1 for each of its genes.

* If the random number is less than the mutation probability input parameter, the value of the gene is changed from 0 to 1 or 1 to 0.

mutation, i=0, gene=3: 0001110100
this chromosome has 4 bits set fitness= 4.0
mutation, i=0, gene=6: 0001111100
this chromosome has 5 bits set fitness= 5.0
mutation, i=1, gene=9: 1100010111
this chromosome has 6 bits set fitness= 6.0
mutation, i=2, gene=5: 1101011000
this chromosome has 5 bits set fitness= 5.0
mutation, i=2, gene=7: 1101011100
this chromosome has 6 bits set fitness= 6.0
mutation, i=3, gene=3: 1111010110
this chromosome has 7 bits set fitness= 7.0
mutation, i=3, gene=6: 1111011110
this chromosome has 8 bits set fitness= 8.0

* After the seven gene mutations, the new population is listed.

Report: generation=1 best value=8.0 avg=6.25 stddev=1.258...
most fit (previous generation=1):
1111011110 this chromosome has 8 bits set fitness= 8.0
number of crossovers and mutations: 1 and 7
p0: 0001111100 this chromosome has 5 bits set fitness= 5.0
p1: 1100010111 this chromosome has 6 bits set fitness= 6.0
p2: 1101011100 this chromosome has 6 bits set fitness= 6.0
p3: 1111011110 this chromosome has 8 bits set fitness= 8.0

This completes the first generation.

* Notice that both the average fitness of the population and the best fitness in the population have increased.

After two more generations, the population is again listed.

* The average fitness has increased, but the most fit chromosome generated so far has disappeared from the population.
* The elitism option can be used to retain the best chromosome generated so far from generation to generation.

Report: generation=3 best value=7.0 avg=6.75 stddev=0.5
most fit (previous generation=1):
1111011110 this chromosome has 8 bits set fitness= 8.0
number of crossovers and mutations: 3 and 12
p0: 1111001100 this chromosome has 6 bits set fitness= 6.0
p1: 1111001110 this chromosome has 7 bits set fitness= 7.0
p2: 1101011110 this chromosome has 7 bits set fitness= 7.0
p3: 1111001110 this chromosome has 7 bits set fitness= 7.0

tilll
Newbie
Benutzer-Profile anzeigen
Newbie


Anmeldungsdatum: 24.10.2008
Beiträge: 5

BeitragVerfasst am: 24 Okt 2008 - 15:04:09    Titel:

1.) Was haltet ihr von dem Beispiel (sind beide ja fast die gleichen)?
2.) Wie könnte man das oben genannte Beispiel in sinnvoll noch biologischer gestalten?
3.) Warum sollte man versuchen nur einsen zu bekommen?
tilll
Newbie
Benutzer-Profile anzeigen
Newbie


Anmeldungsdatum: 24.10.2008
Beiträge: 5

BeitragVerfasst am: 27 Okt 2008 - 13:54:43    Titel:

Ich bins nochmal Wink

Wäre euch echt dankbar, wenn ihr mir die letzten drei Fragen (s. unten) beantworten könntet...

Danke.
Beiträge der letzten Zeit anzeigen:   
Foren-Übersicht -> Biologie-Forum -> Evolutionäre Algorithmen in der Biologie
Neues Thema eröffnen   Neue Antwort erstellen Alle Zeiten sind GMT + 1 Stunde
Seite 1 von 1

 
Gehe zu:  
Du kannst keine Beiträge in dieses Forum schreiben.
Du kannst auf Beiträge in diesem Forum nicht antworten.
Du kannst deine Beiträge in diesem Forum nicht bearbeiten.
Du kannst deine Beiträge in diesem Forum nicht löschen.
Du kannst an Umfragen in diesem Forum nicht mitmachen.

Chat :: Nachrichten:: Lexikon :: Bücher :: Impressum