Resumen

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.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:mlcs, computación en nube, algoritmo mlcs paralelo general eficaz, computación paralela de alto rendimiento eficaz, pocos algoritmos mlcs paralelos, múltiples subsecuencias comunes más largas, algoritmo mlcs paralelo rápido, marco paralelo mapreduce, secuencias de aminoácidos, autómata finito novedoso
• Keywords:mlcs, cloud computing, effective general parallel mlcs algorithm, effective high performance parallel computing, few parallel mlcs algorithms, multiple longest common subsequences, parallel mlcs algorithm fast, mapreduce parallel framework, amino acid sequences, novel finite automaton