Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
Publisher of Iranian Journals and Conference Proceedings
عنوان
Paper

A Distributed Deep Q-learning based Model for Solving the Multiple Sequence Alignment Problem

تعداد صفحات: 14 | تعداد نمایش خلاصه: 72 | نظرات: 0
سال انتشار: 1398
کد COI Paper: ITCT08_019
زبان Paper: Englishglish
(فایل این Paper در 14 صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این Paper

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این Paper را خریداری نمایید.

با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک Paper) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید.در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.

لطفا قبل از اقدام به خرید اینترنتی این Paper، ابتدا تعداد صفحات Paper را در بالای این صفحه کنترل نمایید.

برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل Paper

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 14 صفحه است در اختیار داشته باشید.

قیمت این مقاله : 3,000 تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان Paper A Distributed Deep Q-learning based Model for Solving the Multiple Sequence Alignment Problem

Reza Jafari - Department of Computer Science, Shahid Bahonar University of Kerman, Iran
Hamed Tabrizchi - Department of Computer Science, Shahid Bahonar University of Kerman, Iran
Marjan Kuchaki Rafsanjani - Department of Computer Science, Shahid Bahonar University of Kerman, Iran
Mohammad Masoud Javidi - Department of Computer Science, Shahid Bahonar University of Kerman, Iran

چکیده Paper:

This article uses a distributed (multi-agent) deep Q- learning (DDQL) approach to solve the multiple sequence alignment (MSA) problem, an NP-complete problem. The MSA problem alludes to the Deoxyribonucleic acid (DNA), Ribonucleic acid (RNA), or protein initial sequence arrangement process to maximize their similarity regions. The problem is modeled by our method as a DDQL problem. In the distributed model, each agent is a deep Q -learning algorithm that attempts to reach local Q values. An ideal solution will be obtained by sending optimized local Q values to their supervisor, a blackboard mechanism, or a server. We used Long Short Term Memory networks due to the sequential character of the MSA problem and their ability to memorize long dependencies. They do the function estimator role in the approximation stage We also used the policy gradient and actor-critic algorithm to have a faster procedure in case of solving long sequences. Besides, the number of training episodes could be reduced by using a multi-agent system. Eight different real-world data sets undergo experimental evaluation. In each of the used data sets, our method performs better than other famous methods and tools like ClustalW, Multiple Alignment using Fast Fourier Transform (MAFFT), and different heuristic methods regarding scoring in solving the MSA problem.

کلیدواژه ها:

Artificial Intelligence, Reinforcement learning, Bioinformatics, distributed deep Q-learning, Multiple Sequence Alignment.

کد Paper/لینک ثابت به این Paper

برای لینک دهی به این Paper می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت Paper در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1010109/

کد COI Paper: ITCT08_019

نحوه استناد به Paper:

در صورتی که می خواهید در اثر پژوهشی خود به این Paper ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
undefined, undefined و undefined, undefined و undefined, undefined و undefined, undefined,1398,A Distributed Deep Q-learning based Model for Solving the Multiple Sequence Alignment Problem,هشتمین کنفرانس بین المللی فناوری اطلاعات، کامپیوتر و مخابرات,,,https://civilica.com/doc/1010109

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این Paper اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1398, Jafari, Reza؛ Hamed Tabrizchi و Marjan Kuchaki Rafsanjani و Mohammad Masoud Javidi)
برای بار دوم به بعد: (1398, Jafari؛ Tabrizchi و Kuchaki Rafsanjani و Javidi)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

Research Info Management

Certificate | Report Paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
  • هوش مصنوعی > هوش مصنوعی
  • Export Citation info of this Paper to research management softwares

    علم سنجی و رتبه بندی Paper

    مشخصات مرکز تولید کننده این Paper به صورت زیر است:
    نوع مرکز: state university
    تعداد مقالات: 15,093
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    New Suggested Papers

    New RelatedPapers

    Share this paper

    WHAT IS COI?

    COI is a national code dedicated to all Iranian Conference and Journal Papers. the COI of each paper can be verified online.

    Support