化學信息學(第三版)（簡體書）

《普通高等教育“十二五”規劃教材．名校名師系列：化學信息學（第3版）》介紹了Intcrnet上化學資源的使用方法，並對化學信息學方法及其在化學、生物化學、藥物化學等領域中的應用進行了詳細論述。本書共10章，包括連線文獻檢索、網絡圖書與網絡期刊、數據庫資源、化學信息資源查詢、化學信息的計算機表示與建模、計算機輔助結構解析與合成設計、分子模擬、進化計算與優化算法、小波分析、多元校正與因子分析。本書可供高等學校化學、化工、生物化學、藥物化學以及相關專業的師生和廣大科技工作者參考閱讀。

《普通高等教育"十二五"規劃教材?高等院校化學類專業規劃教材?名校名師系列:化學信息學(第3版)》介紹了Internet上化學資源的使用方法，并對化學信息學方法及其在化學、生物化學、藥物化學等領域中的應用進行了詳細論述。可供高等學校化學、化工、生物化學、藥物化學以及相關專業的師生和廣大科技工作者參考閱讀。

第三版前言第二版前言第一版前言第1章 連線文獻檢索1．1 美國化學文摘1．1．1 美國化學文摘和SciFinder簡介1．1．2 SciFinder的著錄內容與格式1．1．3 SciFinder的功能與使用方法1．2 web of Science1．2．1 Web of Science簡介1．2．2 Web of Science的著錄內容與格式1．2．3 Web of Science的功能與使用方法1．2．4 ISI WebofKnowledge的其他功能1．3 Ei Village1．3．1 Ei Village簡介1．3．2 Ei Village的著錄內容與格式1．3．3 Ei Village的功能與使用方法1．4 期刊全文數據庫1．4．1 Science Direct1．4．2 ACS Publications1．4．3 RSC Publishing1．4．4 Springer link1．4．5 Wi1ey Online library1．5 國內學術期刊數據庫1．5．1 CNKI1．5．2 中文科技期刊數據庫1．5．3 萬方數據知識服務平臺1．6 其他文獻檢索系統簡介1．7 專利文獻查詢1．7．1 專利文獻數據庫1．7．2 專利文獻檢索上機訓練與習題第2章 網絡圖書與網絡期刊2．1 網上圖書館2．1．1 圖書館主頁2．1．2 www虛擬圖書館2．2 網上書店2．3 網絡期刊2．4 數字化圖書2．5 出版商主頁上機訓練與習題第3章 數據庫資源3．1 晶體結構數據庫3．1．1 劍橋結構數據庫3．1．2 蛋白質數據庫3．1．3 核酸數據庫3．2 波譜數據庫3．2．1 NIST Chemislry Web Book3．2．2 化合物譜圖數據庫3．3 網上化學手冊3．3．1 化學元素週期表3．3．2 化合物基本性質數據庫3．3．3 物理化學常數上機訓練與習題第4章 化學信息資源查詢4．1 查詢4．2 導航4．3 ChIN簡介4．4 商業信息4．5 化學機構信息上機訓練與習題第5章 化學信息的計算機表示與建模5．1 化合物結構編碼……第6章 計算機輔助結構解析與合成設計第7章 分子模擬第8章 進化計算域優化算法第9章 曉波分析第10章 多元化正與因子分析主要參考文獻

7在計算過程中可以定義一個常數Vmax，將粒子的速度限制在（—Vmax，Vmax）范圍內。
粒子群優化算法的計算流程可由圖8—29進行描述。
（1）初始化：在問題的D維空間中隨機產生粒子的位置與速度。
（2）評價粒子：根據目標函數評價每一個粒子評價值。
（3）更新最優解：即確定個體最優值pbest和群體最優解pbest。
（4）更新粒子位置：按照式（8—61）和式（8—62）改變粒子的速度和位置。
（5）停止條件：循環步驟（2）～（4），直到終止條件滿足。
在鳥群覓食的過程中，通常飛鳥并不一定看到鳥群中其他所有飛鳥的位置和動向，往往只是看到相鄰飛鳥的位置和動向。因此在研究粒子群優化算法時，同時也開發了兩種模式，即全局模式（global version）和局部模式（localversion），局部模式也稱鄰居模式。在全局模式中，每個粒子的軌跡受粒子群中所有粒子的影響，粒子跟蹤兩個極值（pbest和gbest）變換位置。在局部模式中，粒子的軌跡只受自身的認知和鄰近粒子狀態的影響，即跟隨自身極值pbest和鄰居粒子中的局部極值lbest變換位置。在該模式中，每個粒子需記錄自己和鄰居的最優值，而不需要記錄整個群體的最優值。“鄰居”可由空間位置決定，也可由拓撲網絡結構決定。
粒子群優化算法基于對鳥群聚集行為的模擬，思路清晰，使用靈活，可應用于許多優化問題。但該算法也存在一些不足，如容易陷入局部最優，導致收斂精度低和不易收斂，不能有效解決離散和組合優化問題等。為此人們提出了許多改進措施。
（1）將慣性權重引入粒子群優化算法。該方法通過將慣性權重引入算法，提高了算法的全局搜索能力，并可以更好地控制搜索范圍，使粒子逐漸趨向于局部搜索，有效防止粒子在最優解可能存在的區域振蕩過大從而導致未對該區域進行充分探索。
（2）將鄰域操作引入粒子群模型。該模型克服了粒子群優化算法在優化搜索后期隨迭代次數增加而搜索結果無明顯改進的缺點。
（3）將拉伸技術引入粒子群優化算法。該技術可用于粒子群優化算法對最小化問題的求解，避免了算法易陷于局部最小值的不足。
（4）將適應度定標引入粒子群優化算法。利用該方法對粒子群優化算法進行改進，使算法在收斂的前提下能夠提高粒子間適應度的差異。
（5）具有繁殖和子群的粒子群優化算法。該算法中，粒子群中的粒子被賦予一個雜交概率。在每次迭代中，依據雜交概率選取指定數量的粒子作為父輩個體。這些個體隨機地兩兩雜交，產生同樣數目的子代粒子并代替父輩粒子。
（6）協同粒子群優化算法。其基本思想是用K個相互獨立的粒子群分別在D維的目標搜索空間中的不同維度方向上進行搜索。
（7）將進化計算中的選擇、交叉、變異等操作引入粒子群優化算法中，提高粒子群優化算法的收斂速度、搜索能力及避免局部優化現象的發生。
（8）將模擬退火和粒子群優化算法相結合。該算法提高了擺脫局部極值點的能力，并且提高了收斂速度和精度。
還有大量的文獻將混沌技術、神經網絡技術、灰色理論、自適應技術等一系列先進理論引入粒子群優化算法，極大地提高了粒子群優化算法的性能。也有文獻將粒子群優化算法和免疫算法、禁忌搜索算法、單純形法、自適應算法等智能算法相結合進行研究，得出了一系列混合算法，收到了較好的效果。
粒子群優化算法已得到廣泛應用，其中最直接的應用是解決函數優化問題。對于函數形式復雜，具有規模大、維數高、非線性、非凸和不可微、存在大量局部極值的優化問題，許多傳統優化算法雖然收斂速度較快，計算精度高，但對初值敏感，易陷入局部最小。而粒子群優化算法通過改進或結合其他算法，對高維復雜函數可以實現高效優化。粒子群優化算法作為一種高效的優化算法，在系統設計、多目標優化、分類、調度、決策、機器人實時路徑規劃、信號處理和模式識別等問題上均取得了不錯的效果。在化學領域中，粒子群優化算法被廣泛應用于定量構效關系的研究，能快速收斂到全局最優解并在一定程度上避免了過擬合現象的產生。將粒子群優化算法與偏最小二乘回歸和支持向量回歸等建模方法結合，對模型參數進行優化，在紫外—可見光譜分析和近紅外光譜分析中都表現出較好的性能。還有研究將粒子群優化算法應用于反應動力學模型參數的估計，較好地解決了非線性動力學參數估計問題。
上機訓練與習題
1.簡述人工神經網絡的基本原理。
2.描述人工神經網絡的典型模型。
3.描述神經元的典型結果，并指出它的功能。
4.總結神經網絡的神經元常用的傳遞函數，并比較它們的異同。
5.簡述BP網絡的訓練過程。
6.總結人工神經網絡在化學研究中的應用情況，并設想其潛在的其他應用。
7.簡述遺傳算法的基本思想和解決問題的基本思路。
8.舉例說明遺傳算法的基本過程。
9.如何將問題的參數表示為基因串？有幾種方式？舉例說明。
10.遺傳算法中為什么需要解碼？如何解碼？
11.遺傳算法中基因交換和變異操作的作用是什么？