演化计算和智能计算(Ⅱ)%3a观测数据中科学规律的自动发现.pdfVIP

能。在KDD领域，人们作了很大的努力来开发一些有效的方法．以便从收集的复杂数据 中自动地发现有意义的知识(模型与模式)，并在这些知识基础上预铡未来．而且不少研 Miner。 一股而言，这些成果无论在KDD过程的自动化程度上还是在挖掘得到的知识的水平上都 是十分有限的。因为他们采用的模型与模式都是人为地设计的．他们采用的方法大都是 传统的概率统计算法．如方差分析、回归分析、主量分析、聚类分析与决策树等，当然 也有采用遗传算法与模拟退火算法这类随机优化算法的。这类模型与算法对发现反映同 类事物共性的广义型知识、反映事物各方面特征的特征型知识、反映不同事物之间属性 差别的差异型知识、揭示事物偏离常规的异常现象的偏离型知识一般还是有效的。但对 分析与处理自然科学研究中对复杂的动态系统的观测与实验数据而方言，想要用这类模 型来描述自然科学规律以推测未来则是相当困难的。 我们的研究目标是从复杂的动态数据中自动地发现以常微分方程组为模型的这类高 水平的知识一科学规律。为此我们曾提出一种混台演化建模算法脏MA[1]，即交替使用 遗传程序设计与遗传算法，用遗传程序设计(GP)搜索微分方程组模型结构．用遗传算法 优化模型参数。最近我们[2]又对该算法作了全面的改进，采用了一种新适应函数来评 估模型．并采用郭涛算法一一种新的演化算法[3]以优化模型参数，并以美国1790一 1950年的人口数据为例，从其数据中自动发现的许多模型与人口学家得到Logistic模 型一致。 在本文中．我们将HEMA算法并行化而得到一个适合各种MIMl)类型计算机系统上运 行的异步井行演化建模算法：AP—HEMA。我们以建立化学反应动力学模型为例以证明它 在从动态数据中自动发现科学规律的作用。 本文其余各节安排如下：第二节是常微分方程组建模的并行算法；第三节是数值试 验结果： 最后．第四节是结论。 2常微分方程组建模的并行算法 假设一动态系统是由n个相互关联的函数∞(0，豇(f)，，…，^(D加以描述的a 己知该系统在时刻f，(』=0，1．2，，…，m一1)的观测数据为 Xl(0)，X2(0)， X。(0) Xl(t．)， X2(t。)， X。(t1) X= X。(tm．I) 工．(t。)，X2(t。．。)，…， 其中}，=J．{△}表示观渊时间，△t为时间步长，要求用一阶常微分方程组 fdx，／dt=，。(X。，z：，·一，工。，t) (2) (i=1,2”．一，n) lx?=X，(o) 来描述(拟台)该组数据，这就是动态系统的建模问露。 一轧9一 模型(2)的形式，即方程右端的函数^(J，．∞，…，∞．疗』=』，Z…，月，是由模 型空间M来限定的。由于我们采用遗传程序设计(GP)[6][7][8]作为模型搜索算法． 模型空间的结构是由GP的运算集(也称函数集)F与数据集(也称终端集)T来决定。例如． 若取F={+、一、xl，T={C，t，乩如…，而I C，tER．j，∈斤”}．则模型空间M 是以变量为t，J，，儿，…，乩的多项式函数为右端的一阶常微分方程组为元素的集合。 如具有浑沌现象的Lorenz系统(n=3)就属于这类模型空间。若取F={+、一、×、 COS}． 则关于摆的Duffing方程： x“七bxl七bi+CX=fCOS pt 就属于这种模型空间(n=2)，不过这里要进行简单的变换： = r = d +口 + + |宝 ，●●●●f，【 y y、一 z 蚵 厂 P F 由此可见，J I越大，模型越复杂。一般我们允许用一切初等函数的复台函数来构 造模型．也就是说：我们的算法可以自动发现非常一般的微分方程组模型，也包括高阶 非线性常微分方程模型。 (2)的数值解在时间t。，t：．…一t-上的值为