基于多智能体进化算法的模糊认知图学习-电子与通信工程专业论文.docxVIP

创 新 性 声 明 本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究 成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不 包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或 其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做 的任何贡献均已在论文中做了明确的说明并表示了谢意。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 本人签名： 日期 关于论文使用授权的说明 本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究 生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。本人保证毕 业离校后，发表论文或使用论文（与学位论文相关）工作成果时署名单位仍然为 西安电子科技大学。学校有权保留送交论文的复印件，允许查阅和借阅论文；学 校可以公布论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保 存论文。 （保密的论文在解密后遵守此规定） 本人授权西安电子科技大学图书馆保存学位论文，本学位论文属于公开（保 密级别），并同意将论文在互联网上发布。 本人签名： 日期 导师签名： 日期 摘要 摘要 I 摘 要 工程生产中的最优化问题按待优化的目标函数的数目，可分为单目标优化和 多目标优化两类。大多数优化问题都需要综合考虑多方面的因素，因此多目标优 化算法成为学术界研究的热点，如何兼顾非支配解的收敛效率与pareto前沿分布的 多样性是研究的难点问题。另一方面，随着进化算法研究发展的成熟，基于进化 算法的单目标函数优化与其他学科的交叉应用也成为了研究的热点话题。模糊认 知图（Fuzzy Cognitive Maps，FCMs）是一种将模糊逻辑与图论相结合的软计算方 法，通过有向加权图的形式表现概念之间的因果关系。FCMs被广泛的用于各种领 域问题的建模，例如复杂系统、决策分析、网络结构推断等。通常，用最优化算 法训练FCM的权值矩阵来学习模糊认知图能够快速得到概念之间因果关系的表述 与推理，而不需要专家知识的辅助，从而更快的解决实际的工程问题。下面是本 文的主要工作： 1. 提出了基于多智能体进化算法的多目标优化算法，并将方向算子引入算法， 深度挖掘非支配解集的有效信息，提高了算法的收敛效率。同时利用锦标赛选择 机制和“平均距离”规则来保持非支配解集的多样性，使得非支配解更均匀的分 布于pareto前沿。算法对ZDT数据集及UF数据集的验证结果都表明算法具有很好的 收敛性和多样性。 2. 提出了基于多智能体进化算法的模糊认知图学习算法，并将其应用于基因 调控网络的结构重构中。用模糊认知图对基因调控网络的动态调控系统进行建模， 图中权值为[-1,1]的有向边表示基因间相互作用的关系，图中状态值为[0,1]的结点 表示基因的激活度，并用多智能体进化算法对模糊认知图的权值网络进行优化。 本 算 法 验 证 了 5 到 200 个 基 因 结 点 的 人 工 数 据 以 及 10 个 基 因 和 100 个 基 因 的 DREAM4标准数据，并在这些数据上与ACO、RCGA、NHL算法进行了对比和分 析，结果表明，本算法能够很好地实现对大规模基因调控网络的重构。 3. 提出了基于分布式多智能体进化算法的模糊认知图学习算法，采用分治的 思想将原始N结点网络划分为N个独立子网进行优化，解决了前面算法中维数灾难 的问题。同时，分布式计算思想的运用大大提高了计算效率，使得该算法适用于 更大规模的复杂网络问题。本算法验证了5到500个基因结点的人工数据以及10个 基因和100个基因的DREAM4标准数据，并在这些数据上与ACORD、RCGA、NHL 算法进行了对比和分析，结果表明，本算法创新性的分布式方法能够很好地实现 对大规模基因调控网络的重构。 关键词：多智能体进化算法 模糊认知图 基因调控网络 多目标算法 Abstract III IVAb IV Abstract Abstract Optimization problems, in terms of the number of optimized target functions, could be classified into two classes: single-objective optimization and multi-objective optimization. As the demand to synthetically take kinds of factors into consideration, multi-objective optimization algorithms has became a hot point nowada