Kết quả thực nghiệm trên bộ dữ liệu nhỏ với độ dài các hạt giống đã xác

Một phần của tài liệu (LUẬN án TIẾN sĩ) phương pháp tối ưu đàn kiến và ứng dụng (Trang 107 - 108)

Chương 5 THUẬT TOÁN AcoSeeD TÌM TẬP HẠT GIỐNG CĨ CÁCH TỐI ƯU

5.2. Thuật tốn AcoSeeD giải bài tốn tìm tập hạt giống tối ưu

5.3.2. Kết quả thực nghiệm trên bộ dữ liệu nhỏ với độ dài các hạt giống đã xác

- Bộ dữ liệu trung bình SHRiMP có số lượng hạt giống là 4 gồm 15 test; - Bộ dữ liệu lớn gồm 3 bộ: bộ PatternHunterII có số lượng hạt giống là 16

gồm 3 test, bộ BFAST có số lượng hạt giống là 10 gồm 3 test và bộ MegaBLAST gồm 15 test.

5.3.2. Kết quả thực nghiệm trên bộ dữ liệu nhỏ với độ dài các hạt giống đã xác định định

Kết quả thực nghiệm trên 3 test của bộ dữ liệu nhỏ được cho ở bảng 5.1. Cột

biểu thị thông tin về tham số của test tương ứng. Cột biểu thị thông tin độ dài các hạt giống. Cột Optimal biểu thị độ nhạy tối ưu, cột SpEED và AcoSeeD biểu thị kết quả tương ứng của phương pháp SpEED và AcoSeeD. Kết quả trong các phương pháp in đậm là kết quả ra

được tối ưu. Kết quả của SpEED là kết quả được cơng bố trong [50]. Ở đây khơng có kết quả của SpEEDfast vì trong [51] khơng cơng bố kết quả này.

Bảng 5.1: Kết quả thực nghiệm SpEED với AcoSeeD trên bộ dữ liệu nhỏ

Optimal SpEED AcoSeeD

2 14 35 0.88 17, 21 0.82991 0.82886 0.82886

3 10 35 0.78 12, 14, 16 0.81833 0.81833 0.81833

4 6 35 0.6 8,9,10,11 0.85026 0.84879 0.85026

Nhận xét: Kết quả thực nghiệm trong bảng 5.1 cho thấy SpEED có thể tìm được tối ưu

1 test trong 3 test, cịn AcoSeeD có thể tìm tối ưu 2 test trong 3 test. Điều này được giải thích như sau, AcoSeeD đã kết hợp được cả hàm mục tiêu chính và hàm mục tiêu xấp xỉ OC. Trường hợp AcoSeeD khơng tìm được tối ưu là vì test q nhỏ nên lời giải ln hội tụ theo hàm mục tiêu OC.

Một phần của tài liệu (LUẬN án TIẾN sĩ) phương pháp tối ưu đàn kiến và ứng dụng (Trang 107 - 108)

Tải bản đầy đủ (PDF)

(134 trang)