模因计算框架下的群智能优化算法的研究与应用

发布时间：2017-04-26 18:00

  本文关键词：模因计算框架下的群智能优化算法的研究与应用，由笔耕文化传播整理发布。

【摘要】：群智能是一种启发式优化算法,是通过模拟大自然中各种物种(比如生物、昆虫或动物等)的觅食等行为,利用群体中个体间的互动,实现了最优化目标的求解。现实生活中,很多实际问题都是最优化问题,比如图像分割问题、基因聚类问题、社会网络聚类问题、医疗诊断中的分类和预测问题、经济派遣问题、护士排班问题、车辆路径问题等,而群智能算法在解决这些问题上,表现出良好的性能,并已经成为目前研究的一个热点。然而,还有很多问题亟待解决,比如算法寻优的速度,寻优的精度等。而且,理论上已经证明,任何一个群智能算法都不能解决所有优化问题。模因论(memetic)是受达尔文自然进化原则及道金斯的文化进化概念启发的计算智能领域。模因可以被理解为‘文化基因’,与基因不同的是,文化基因有继承和传播的特征。模因论使用复杂的结构,比如简单个体的组合及模因(memes)来解决问题。模因计算(Memetic Computing)的全局搜索和局部搜索的结合机制使其搜索效率在某些问题领域比传统的一些智能算法快几个数量级,可应用于广泛的优化问题领域并得到满意的结果。模因计算提出的是一种框架、是一个概念,在这个框架下,采用不同的搜索策略可以构造不同的群智能算法。对此,本文的研究重点是深入研究模因计算框架下的群智能优化算法的思想及理论,对肿瘤生长机制及数学模型做深入研究和探索,受此启发,以模因计算框架为基础,提出新的群智能算法---入侵肿瘤生长优化算法(ITGO),并将其应用到聚类问题及支持向量机优化问题中。本文主要围绕模因计算框架下群智能算法的改进及肿瘤生长理论和方法而展开研究,并完成了以下主要工作内容和创新点:1)在模因计算框架下,由于传统量子粒子群算法只考虑了局部搜索能力,降低了算法的寻优的精度,特别是,在解决大规模优化问题上,性能明显下降。对此,我们首先对传统的局部搜索策略进行了改进,采用新的加权方法,加强局部搜索能力。在此基础上,为了加强算法的全局搜索能力,研究模因算法的规律,并假设粒子(鸟)中有“鸟王”的存在,并对此建立有记忆的数学模型。记忆反映了模因继承的特征。而有记忆规则可以增加算法的多样性,使得算法不易陷入局部最优。最后,我们提出结合模因算法的有记忆的量子粒子算法(SMQPSO)。优化实验结果表明,模因计算框架下的量子粒子群算法,在解决大规模优化问题上,表现出较好的性能。2)混合蛙跳算法(SFLA)是典型的模因计算框架下的群智能优化算法。其局部搜索采纳了简化的粒子群搜索规则,而模因混洗策略加强了其全局搜索能力。但简化的粒子群搜索规则收敛速度较慢,精度也不高。另外,在青蛙搜索过程中,经常发生青蛙越界的问题。对此,在局部搜索策略上,本文引入重心吸引因子,以提高青蛙探索能力;采纳空间缩放的方法解决青蛙越界问题,提出有重心的空间缩放混合蛙跳算法(sg SFLA)。优化实验证明,改进的算法既解决了青蛙越界问题,也提高了算法的性能。3)在模因计算框架下,传统教与学优化算法选择了较好的局部搜索策略,而忽略了全局搜索能力。只考虑了模因的继承特征而没有考虑模因的传递特征。具体表现为,算法只考虑一个班的情况,而且学生之间互动学习过程中,没有考虑教师的引导作用,从而降低了算法解决多模优化问题的精度。对此,本文使用模因混洗策略,提出多班的教与学优化算法(CTLBO)。实验结果表明,由于新的框架增加了算法的多样性,使得算法在解决多模优化问题上,表现出较好的性能。4)通过对量子粒子群算法、混合蛙跳算法及教与学优化算法机制的深入研究,掌握了模因计算框架下群智能算法设计的基本原则。通过对入侵肿瘤生长机制及数学模型的深入研究,受人类大脑中肿瘤生长及入侵行为的启发,提出入侵肿瘤生长优化算法(ITGO)。在模因计算框架下,脑瘤中的细胞可分为入侵细胞群、增殖细胞群、休眠细胞群和快死的细胞群,不同子群的互换机制,保证算法的全局搜索能力。局部搜索能力,表现在不同细胞子群自身的搜索规则,这可以保证算法的搜索速度。为了模拟肿瘤生长机制,我们假设,增殖细胞的入侵行为符合levy分布的;休眠细胞的生长是通过增殖细胞引导及休眠细胞之间的互动完成的;而快死了的细胞的生长是受增殖细胞和休眠细胞的引导而完成的,并且他们有可能死亡。最后,实验结果表明了入侵肿瘤生长优化算法的性能。5)使用入侵肿瘤生长优化算法(ITGO)解决聚类问题及支持向量机优化问题。聚类问题往往被看做为一种多模的连续优化问题,理论已经证明,其为NP问题。对聚类中心进行编码,目标是实现类内样本距离最近,而类与类之间距离最远。实验结果表明,本文提出的算法降低了聚类的错误率。而支持向量机(SVM)是机器学习中十分重要的一个算法。由于其较好的性能而被广泛使用。但其性能受到其参数的影响,其参数优化问题,成为使用支持向量机的关键问题。对此,我们使用入侵肿瘤生长优化算法来解决这个问题,实验结果表明,本文提出的算法提高了算法分类的准确率。以上工作都是围绕模因计算框架下的群智能算法及入侵肿瘤生长理论和方法的研究而展开,不仅涉及模因论、物理理论、统计方法及入侵肿瘤生长理论而且也有数据挖掘、机器学习方面的理论实践,体现了对群智能算法研究的深度和系统性。本文研究成果有助于人们进一步研究模因计算框架下的其他群智能算法的理论和方法,并将本文提出的算法推广到更多领域,解决现实中更多复杂的优化问题。
【关键词】：模因计算 群智能优化 入侵肿瘤生长 聚类 支持向量机
【学位授予单位】：华南理工大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP18
【目录】：

• 摘要5-8
• ABSTRACT8-21
• 第一章 绪论21-29
• 1.1 研究背景21-23
• 1.2 国内外研究现状23-27
• 1.2.1 模因计算23-24
• 1.2.2 智能算法24-27
• 1.3 研究目的27
• 1.4 研究意义27-28
• 1.5 研究内容及论文结构28-29
• 第二章 群智能优化算法综述29-42
• 2.1 群智能优化技术研究29-30
• 2.2 最优化问题的定义30-31
• 2.3 模因计算31-33
• 2.4 量子粒子群算法33-36
• 2.5 混合蛙跳算法36-38
• 2.6 教与学优化算法38-40
• 2.7 本章小结40-42
• 第三章 基于模因论的量子粒子群算法42-79
• 3.1 粒子群算法42
• 3.2 量子粒子群算法42-47
• 3.2.1 量子粒子群算法原理42-44
• 3.2.2 加强的量子粒子群算法44-47
• 3.3 具有模因特征及记忆的量子粒子群算法47-77
• 3.3.1. 概述47-49
• 3.3.2 相关工作的讨论49
• 3.3.3 具有模因特征及记忆的量子粒子群算法49-77
• 3.4 本章小结77-79
• 第四章 基于空间缩放的混合蛙跳算法79-89
• 4.1 简介79
• 4.2 混合蛙跳算法79-80
• 4.3 改进的混合蛙跳算法80-85
• 4.3.1. 空间缩放因子83
• 4.3.2. 重心吸引因子83
• 4.3.3.. zg SFLA算法83-85
• 4.4 实验分析85-87
• 4.5. 本章小结87-89
• 第五章 基于模因论的教与学优化算法89-97
• 5.1 基于教与学的最优化算法89-91
• 5.2 具有模因特征的TLBO算法91-92
• 5.3 实验结果与分析92-96
• 5.4. 本章小结96-97
• 第六章 入侵肿瘤生长优化算法97-151
• 6.1 肿瘤生长研究97-108
• 6.1.1 肿瘤生长机制97-102
• 6.1.2 肿瘤生长的数学模型102-108
• 6.2. 入侵肿瘤生长优化模型108-110
• 6.3. 入侵肿瘤生长最优化算法的设计110-52
• 6.3.1 入侵肿瘤生长最优化模型110-115
• 6.3.2 入侵肿瘤生长算法115-120
• 5.3.3 算法分析120-52
• 6.4 实验结果和分析52-149
• 6.4.1 实验配置123-127
• 6.4.2 ITGO算法参数调整127-131
• 6.4.3 基本全局最优化实验131-138
• 6.4.4 其他改进算法的比较138-141
• 6.4.5 大规模全局优化实验比较经典算法141-148
• 6.4.6 大规模优化问题实验比较改进的PSO148-149
• 6.5 本章小结149-151
• 第七章 入侵肿瘤生长算法的应用151-164
• 7.1 入侵肿瘤生长算法在聚类问题中的应用151-159
• 7.1.1 聚类问题151-152
• 7.1.2 ITGO聚类问题152-159
• 7.2 入侵肿瘤生长算法解决支持向量机参数优化问题159-163
• 7.2.1 支持向量机159-160
• 7.2.2 模型参数优化160-161
• 7.2.3 实验结果和分析161-163
• 7.3 本章小结163-164
• 结论164-166
• 参考文献166-186
• 攻读博士学位期间取得的研究成果186-187
• 致谢187-188
• 附件188

【参考文献】

中国期刊全文数据库 前10条

1 杨芳勋;孙跃;夏晨阳;;求解ICPT电源规划问题的改进混合蛙跳算法[J];重庆大学学报;2012年06期

2 廖玉忠;张自林;;基于改进量子粒子群算法的雷达布站优化研究[J];航天电子对抗;2011年02期

3 王茜;张粒子;舒隽;王楠;;基于阈值选择策略的改进混合蛙跳算法在电网规划中的应用[J];电力系统保护与控制;2011年03期

4 孟庆莹;王联国;;基于邻域正交交叉算子的混合蛙跳算法[J];计算机工程与应用;2011年36期

5 欧阳;孙元姝;;基于改进混合蛙跳算法的网格任务调度策略[J];计算机工程;2011年21期

6 王玲,薄列峰,刘芳,焦李成;最小二乘隐空间支持向量机[J];计算机学报;2005年08期

7 邵信光;杨慧中;陈刚;;基于粒子群优化算法的支持向量机参数选择及其应用[J];控制理论与应用;2006年05期

8 何红;拓守恒;;教与学优化算法在梯级水库优化调度中的应用[J];计算机与数字工程;2013年07期

9 何红;孙根年;;基于教与学优化算法的智能旅游线路优化[J];陕西理工学院学报(自然科学版);2015年01期

10 骆剑平;陈泯融;;混合蛙跳算法及其改进算法的运动轨迹及收敛性分析[J];信号处理;2010年09期

  本文关键词：模因计算框架下的群智能优化算法的研究与应用，由笔耕文化传播整理发布。

，

本文编号：328931