基于染色体易位动态进化算法.docVIP

基于染色体易位动态进化算法 　　摘 要： 　　针对采用二进制编码的进化算法在函数优化过程中会因为维度之间的相互干扰，导致部分低阶模式出现无法进行有效重组的现象，提出一种新的结合细胞学研究成果的进化算法――染色体易位的动态进化算法（CTDEA）。算法通过构建基因矩阵来模拟有机染色体在细胞内的结构化过程，并在基因矩阵的基础上对出现同质化的染色体短列实施模块化的易位操作，以此来维护种群的多样性；同时通过个体适应度划分种群的方式来维护精英个体，确保个体间的竞争压力，提升算法的寻优速度。实验结果表明，该进化算法与已有的遗传算法（GA）和分布估计算法相比较，在维护种群多样性方面有较大改进，能够将种群的多样性保持在0.25左右；且在寻优的精度、稳定性以及速度上也有明显的改进和提高。 　　关键词： 　　染色体易位；进化算法；基因矩阵；模块化；函数优化 　　0 引言 　　进化算法是一种模拟生物进化中遗传选择和自然淘汰过程的计算模型[1]。其算法思想源于生物遗传学和适者生存的自然规律，通过采用“生存+检测”的迭代过程进行寻优搜索。由于进化算法具有不依赖于问题模型的特点，且还具有全局最优性、隐含并行性、高效率以及解决非线性问题稳定等特点，自提出以来就被广泛地应用于工程设计、模式识别、机器学习等多个科学领域[2-3]。 　　采用二进制编码的进化算法在优化过程中，是通过改变自身的编码状态来对应于寻优空间中的低阶的超平面，在进行如交叉、变异等重组行为后，会使得编码的状态不断地集中于包含高维、特定超平面的收缩子空间中。进化算法通过不断地重复这一过程，直至找到最优超平面。但优化过程中会出现某些低阶模式难以重组为期望的高阶模式，或者是更为严重的低阶模式在重组后引导进化算法的收缩方向偏离全局最优解，使得算法陷入局部极值区，无法获取全局最优解。为此，学者们提出了各种改进方法如OGA/Q（Orthogonal Genetic Algorithm with Quantization for global numerical optimization）[4]、CEP/best（evolutionary programming using mutations based on the levy probability distribution）[5]、EA/G（Evolution Algorithm for Global optimization）[6]、EDA/L（Evolutionary Algorithm for global optimization based on levelset evolution and Latin squares）[7]、GA/QoS（multigranularity evolution based quantum Genetic Algorithm for QoS multicast routing problem in WDM networks）[8]、多样性保持的分布估计算法（Estimation of Distribution Algorithm with Diversity Preservation， EDA/DP）[9]、CS（improved Cuckoo Search algorithm for global optimization）[10] 等。 　　近期，Zhang等[11]在对小鼠细胞的研究中发现，通过裂解DNA双链和堆叠效应产生的结构化基因组容易导致其中的染色体产生反置易位。而反置易位后的染色体就是诱导细胞发生癌变的重要因素之一。众所周知细胞癌变的主要特点就是其自我复制不再受到约束，从而导致生长失控。诚然这一过程对生物体是有害的，但若在进化算法中引入这一机制则可以促进“个体”的染色体在“进化”过程中产生更为丰富的变化，并在搜索过程中维持较高的活性，以此来平衡极值对种群个体的吸引效应，在保证收敛速度的同时还能维护好种群的多样性。受上述研究成果的启发，本文通过采用基因矩阵的方式来模拟细胞基因组的结构化过程，并通基因差异度来对矩阵中特定的基因短列进行反置易位操作，改变了以往采用的单点或多点基因变异的模式，使得群体中的部分个体按照模块化的方式进行改变和调整，并以此达到提高进化算法寻优能力的目的。 　　1 染色体易位的动态进化算法 　　染色体易位的动态进化算法（Chromosomal Translocationbased Dynamic Evolutionary Algorithm， CTDEA）介绍如下。 　　1.1 个体的多样性评价 　　不失一般性，若进化算法种群为P，种群规模为n，采用固定长度为L的二进制对个体进行编码，则个体空间B={0，1}L，种群P={a1，a2，…，an}（PB）为