Aunque se han propuesto algunos algoritmos paralelos MLCS, la eficiencia y la eficacia de los algoritmos no son satisfactorias con el aumento de la complejidad y el tamaño de los datos biológicos. Para superar las deficiencias de los algoritmos MLCS existentes, y teniendo en cuenta que el marco paralelo MapReduce de la computación en nube es una tecnología prometedora para la computación paralela rentable de alto rendimiento, se propone un nuevo autómata finito (FA) basado en la computación en nube llamado FACC bajo el marco paralelo MapReduce, con el fin de explotar un algoritmo MLCS paralelo general más eficiente y eficaz. FACC adopta las ideas de pares emparejados y autómata finito mediante el preprocesamiento de secuencias, la construcción de tablas sucesoras y el autómata finito de subsecuencias comunes para buscar MLCS. Se han realizado experimentos de simulación con un conjunto de puntos de referencia de secuencias reales de ADN y aminoácidos, y los resultados muestran que el algoritmo FACC propuesto supera al actual algoritmo MLCS paralelo líder FAST-MLCS.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículos:
Simulación de grandes corrientes de Foucault y análisis del campo de flujo de un coche en un puente con viento cruzado turbulento
Artículos:
Una nota sobre la Transformada de Laplace Doble Conformable y las Ecuaciones Pseudoparábolicas Singulares Conformables.
Artículos:
Previsión del índice de fletes de carga seca con SVM mejorada
Artículos:
Detección de límites de objetos utilizando un modelo de contorno activo a través de Multiswarm PSO con Adaptación basada en reglas difusas del factor de inercia
Artículos:
Estabilidad para Sistemas Diferenciales Fraccionarios de Caputo
Artículos:
Compuestos bioactivos de microalgas rojas con valor terapéutico y nutricional
Artículos:
Enfoque de aplicación ágil con Scrum, Lean y Kanban
Artículos:
Arquitectura de software orientada a la creación de micromundos para la enseñanza y el aprendizaje
Artículos:
Perspectivas sobre datos masivos y analítica de datos masivos