基于粒子群算法肿瘤致病基因选取.docVIP

基于粒子群算法的肿瘤致病基因选取 姓名：王驰( 安庆师范学院物理与电气工程学院 安徽 安庆 246011) 指导教师：刘全金 摘要:因受到了大自然的生物群体行为机制的开导，一种仿生进化算法PSO算法粒子群优化诞生。PSO算法的工作机制和基本原理以及PSO算法的理论和目前的应用状况是本文探讨的主要内容。PSO算法的参数设置、PSO算法的改进、PSO算法的收敛性、PSO算法与其它算法的融合以及PSO算法在优化领域的典型应用是PSO算法的理论和应用研究现状的主要内容,以及对它们的研究重点和发展方向进行下一步的分析。PSO算法目前所面临的问题以及未来的展望是在本文文尾也有所提及。 关键词 群智能,粒子群优化(PSO),优化问题 1.引言 对大自然中的蜜蜂、蚂蚁、鱼群及鸟群等等生物群体行为的研究是群智能方法的起源。一个或少个的个体生物的行为相对来说很简单。然而一定数量的个体通过合作则会表现出相对复杂的行为特点并且可以完成相对复杂的任务。由MarcoDorigo等人提出的蚁群算法是群智能方法中非常典型的算法。当然由J.Kennedy和R.Eberhart所提出的粒子群优化算法也是较为典型的算法。群智能方法中的个体的行为较为简单，没有中心控制。个体之间的间接通信也已经在求解复杂优化问题被广泛运用了。 1995年，美国电气工程师R.Eberhart和社会心理学家J.Kenendy创造性的提出了一种进化计算机方法—粒子群优化。粒子群优化算法(Panicle Swam optimization，PSO)是源于对人工生命的研究，尤其是对鸟群、鱼群等群体行为机制的模仿。不仅如此还借鉴了生物学家F.Heppenr提出的生物群体模型，更是融人了进化计算的思想。PSO算法的概念相对来说较为简单，并且需要调整的参数也不多，比较容易实现编程，并且它的本身也没有复杂的数学操作，对计算机硬件的存储和速度的要求都不高。最开始的PSO算法是被应用于函数优化和神经网络的训练上。此后由于PSO算法的改进,开发出的不同版本的PSO算法被成功的应用于多个领域中了。 作为一种仿生算法的PSO算法到目前为止还没有完整的数学理论基础，但是它作为一种新兴的优化算法已经在很多领域都展现了很好的应用前景.因此对PSO算法进行深人的研究这不仅是在理论也是在应用上实践上有重要的意义。 2.基本粒子群算法原理与流程 2．1基本粒子群算法基本原理 1995年Kennedy和Eberhart提出了一种新型的群智能进化计算技术——粒子群优化算法(Panicle Swam optimization，PSO)，对鸟类寻食行为的研究是其基本概念的源泉。使群体以最迅速的速度找到最优解这是以研究鸟类飞行觅食行为为媒介，模拟鸟群的集体协作发现出来的。 我们所说的“粒子”是指在粒子群算法中，每个优化问题的解都对应着搜索空间中的一只鸟。在随机初始化一群粒子在可行解空间中，这其中的每一个粒子都对应着一个被优化的函数决定的适应值(fitness)，即PSO算法先生成初始种群。粒子的飞翔的方向和距离是通过他们的速度来决定的。之后的粒子调节速度的方式也是根据目前最优的粒子以及自己所历经的个体最优位置即通过全局最优值及个体最优值来转变的，其目的是为了在解空间中寻找最优解。另外值得注意的一点是并不是必须要用整个种群作为粒子的邻居而可以选择其中一部分。在此种情况下所有粒子的邻居中的极值则是局部极值。数学描述为：把搜索空空间设为D维，总粒子数为拧，粒子在找寻全局最优值以及个体最优值的过程中，是根据公式来调节自己的速度以及位置。 =ω+(-)+(-) =+ (1) 式中，i是指粒子的编号，i=l，2?，搜索空间的维向量则用z.d表示，与则是指第i个粒子在k代的位置以及速度。粒子i的个体极值用来表示，全局最优值用来表示。Ω是惯性权重，与是0和1中间的任意随机数，c1与c2是学习因子，一般取c1=c2=2。 为了缩减处于进化过程当中的粒子脱离搜索空间的可能性，第d维的速率变化范围控制在?[-]中，就是说在迭代中，如果越出了边界值，则将它设置成边界值。随机产生粒子群的初始位置和速度，然后通过公式进行迭代，最终寻找到最优解。 2.2基本粒子群算法流程 基本粒子群算法的流程如下图标示，它具体的步骤也在下文详细的介绍了： 第I步：初始化粒子种群。包括随机的产生粒子的初始速度以及种群所有的粒子个体。 第II步：根据适应值函数来计算每个粒子的适应值。就是根据适应值函数判定粒子的优劣。 第III步：更新粒子的个体极值。就是演算出每个粒子的适应值和个体极值极值并比较，若粒子优于个体极值，那么粒子就取代个体极值。 第IV步：更新粒子全局极值。就是演算每个粒子的适应值和全局