[发明专利]基于随机优化的老年痴呆致病机理的分析方法

权利要求书

1.一种基于随机优化的老年痴呆致病机理的分析方法，其特征在于，包括以下步骤：

S1、确定能量模型：采用ECEPP能量力场模型以及角度坐标系；

S2、搜索最小自由能蛋白质构型：包括

主进程，

S211、局部最小化方法获得能量上界E_min和能量下界E_max，初始化蛋白质系统的态密度对数S(E)、修正因子df，df|_E＝(κΘ(E₀-E)+1)lnf，

其中，Θ(E₀-E)为Heaviside分段函数，κ、E₀、f是模型的参数；

S212、进行Metropolis式的随机变动，构建新构型，计算能量E_new、并修改E_min或E_max为E_new；

S213、重复步骤S212，完成进程间通信，计算全局S(E)；广播全局S(E)至所有从进程；

S214、执行步骤S212至步骤S213的迭代，E_min三次保持，迭代终止；

从进程，

S221、局部最小化方法获得能量上界E_min和下界E_max，初始化蛋白质系统的态密度对数S(E)、修正因子df，df|_E＝(κΘ(E₀-E)+1)lnf，

其中，Θ(E₀-E)为Heaviside分段函数，κ、E₀、f是模型的参数；

S222、进行Metropolis式的随机变动，构建新构型，计算能量E_new、并修改E_min或E_max为E_new；

S223、重复步骤S222，完成进程间通信，接收步骤S213计算的全局S(E)；

S224、执行步骤S222、步骤S223，接收步骤S214迭代终止信息，停机；

S3、计算蛋白质的态密度：

主进程，

S311、初始化蛋白质系统的态密度对数S(E)，直方图H(E)，修正因子df，df|_E＝(κΘ(E₀-E)+1)lnf，

其中，Θ(E₀-E)为Heaviside分段函数，κ、E₀、f是模型的参数；

S312、进行Metropolis式的随机变动，构建新构型，计算能量E_new；

S313、重复步骤S312，完成进程间通信，计算全局S(E)、H(E)；判断直方图平缓阈值，当满足是执行步骤S314，否则重复执行步骤S312、步骤S313迭代；

S314、改变df，并执行步骤S312至步骤S313的迭代，直至df小于第二阈值，获得蛋白质系统的相对的态密度

从进程，

S321、初始化蛋白质系统的态密度对数S(E)，直方图H(E)，修正因子df，df|_E＝(κΘ(E₀-E)+1)lnf，

其中，Θ(E₀-E)为Heaviside分段函数，κ、E₀、f是模型的参数；

S322、进行Metropolis式的随机变动，构建新构型，计算能量E_new；

S323、重复步骤S322，完成进程间通信，接收步骤S313计算的全局S(E)、H(E)，即更新原S(E)、H(E)；判断直方图平缓阈值，当满足是执行步骤S324，否则重复执行步骤S322、步骤S323迭代；

S324、改变df，并执行步骤S322至步骤S323的迭代，直至df小于第二阈值。