• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>BMC Bioinformatics >Fine-grained parallelization of fitness functions in bioinformatics optimization problems: gene selection for cancer classification and biclustering of gene expression data
【2h】

Fine-grained parallelization of fitness functions in bioinformatics optimization problems: gene selection for cancer classification and biclustering of gene expression data

机译：生物信息学优化问题中适应度函数的细粒度并行化：用于癌症分类的基因选择和基因表达数据的聚类

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

BackgroundMetaheuristics are widely used to solve large combinatorial optimization problems in bioinformatics because of the huge set of possible solutions. Two representative problems are gene selection for cancer classification and biclustering of gene expression data. In most cases, these metaheuristics, as well as other non-linear techniques, apply a fitness function to each possible solution with a size-limited population, and that step involves higher latencies than other parts of the algorithms, which is the reason why the execution time of the applications will mainly depend on the execution time of the fitness function. In addition, it is usual to find floating-point arithmetic formulations for the fitness functions. This way, a careful parallelization of these functions using the reconfigurable hardware technology will accelerate the computation, specially if they are applied in parallel to several solutions of the population.
机译：背景元启发法由于可能的解决方案种类繁多而被广泛用于解决生物信息学中的大型组合优化问题。两个代表性的问题是用于癌症分类的基因选择和基因表达数据的聚类。在大多数情况下，这些元启发式方法以及其他非线性技术将适应度函数应用于总体受大小限制的每个可能的解决方案，并且该步骤比算法的其他部分涉及更高的延迟，这就是为什么应用程序的执行时间将主要取决于适应度函数的执行时间。另外，通常会找到适合度函数的浮点算术公式。这样，使用可重新配置的硬件技术对这些功能进行仔细的并行化将加快计算速度，特别是如果将它们并行应用于总体解决方案的话。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号