基于正余弦策略的粒子群算法的研究及应用

发布时间：2020-07-14 18:13

【摘要】：随着社会生产及现实生活中不断涌现出越来越多的优化问题,其中不乏许多传统优化方法无法解决的复杂优化的问题,比如具有多峰的函数优化问题,不连续的函数优化问题,不可微的函数优化问题,组合优化问题和大规模优化问题等。因此为了解决这类复杂的优化问题,大量的新的启发式优化算法不断被提出,其中影响较大的有遗传算法,蚁群算法,差分进化和粒子群优化算法等。这些启发式优化算法一般都是通过模拟和建模自然现象,物理现象或者社会现象而得出的。粒子群优化算法(Particle Swarm Optimization,简写为PSO)是其中优秀的一种算法。粒子群优化算法是一种基于群体的智能优化算法,其以规则简单,容易实现,收敛速度快,需调参数少而出名。由于粒子群优化算法的这些优异的性能,使得其十分容易应用其他领域,比如函数优化,组合优化,数据挖掘和生物信息等领域。然而PSO算法仍存在一些不足,比如容易陷入局部最优。本文针对该缺点,对PSO算法进行改进,并将改进后的算法应用于生物信息学中的局部序列比对问题。本文的主要贡献如下:(1)提出了一种新的基于正弦余弦的改进粒子群优化算法(Sine Cosine Particle Swarm Optimization,简写为SC-PSO)。该算法利用正弦余弦策略对粒子群优化算法中的系数(认知成分系数和社会成分系数)进行自动调整,实现局部最优点的逃离,并能更好的调节勘探和开发之间的关系,从而能提高算法的收敛速度和收敛准确度。为验证提出算法的性能,将其与三个著名的智能优化算法在20个基准函数上进行比较,对比实验显示本文提出的算法具有较好的性能提升。(2)序列比对是生物信息学中的基础任务和主要规程之一,其主要用于测量生物序列之间的相似性,以提供有关RNA,DNA和蛋白质序列之间有关进化和功能相关指示。序列比对通过匹配它们的碱基(蛋白质的氨基酸和DNA的核苷酸)来比较序列,以产生代表相似程度的最高分数的最佳比对。蛋白质二级结构预测和分析使用比对来提高预测质量。在本文中,探索了将SC-SPO算法对局部序列比对方面的应用,使其嵌入到局部序列比对方法中。并通过与其他方法比较验证了该方法的性能。
【学位授予单位】：湖南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18
【图文】：

流程图,粒子群优化算法,流程图

图2.1粒子群优化算法流程图

示意图,粒子群优化算法,搜索区域,示意图

图 2.2 粒子群优化算法搜索区域示意图PSO 算法的运行速度非常快，简单且易于理解和实施。它也有很少的参数需要调整[41]。PSO 通过粒子的相互作用找到最好的值，但是当搜索空间很高时，它的收敛速度在全局最优值附近变得非常慢。它在处理大型复杂数据集时也显示质量差的结果。2.2 粒子群优化算法收敛性分析本文将对 PSO 收敛相关的分析分为四大类：粒子运动稳定性分析，粒子运动轨迹分析，算法局部收敛分析和首次击中的期望时间分析。随机优化算法最早的收敛性分析之一是 Matyas[57]发表的，随后是 Baba[58]。迭代随机优化算法（简称为优化算法）据说以概率收敛于搜索空间中的点Χ（若要收敛）如果 ε ， limth (2.5)其中 P 是概率测度，h 是在迭代 t 处通过优化算法（搜索空间中的点）生成的

示意图,参数设置,粒子,示意图

图 2.3 粒子参数设置与收敛示意图Bonyadi 和 Michalewicz[64]通过实验方法研究了收敛前的粒子行为。生成的粒子位置序列视为时间序列，他们使用频域分析来了解粒子在运如何振荡。他们根据振荡的最大频率（低，中，中，高频率）将振荡模组，对应于 Trelea[12]介绍的模式。他们表明，他们的实验方法发现的relea[12]发现的非常相似。因此，他们使用相同的方法来分析 SPSO2011振荡。他们发现 SPSO2011 中对应于不同振荡模式的系数边界与标准的。他们的实验也表明这些边界对维数不敏感。粒子位置在运行过程中发生振荡，直到收敛到一个点。然而，这种表现出不同的模式；例如，位置可能会从一个地方跳到另一个地方，可索空间中顺利。通过改变系数的值来影响振荡模式以及振荡速率。因此究人员研究了这些模式和比率，以找出哪些系数值对应不同的行为[12,4]。例如，Trelea[12]发现，四组振荡模式可以在颗粒期望的 Zigzagging波，这两者的组合以及非振荡位置观察到。Trelea[12]还发现了与这些模

【参考文献】