智能优化算法解析 第7章 基于智能优化算法的实际问题求解案例.pptVIP

**************************************************脑科学发展7.3.1研究背景萤火虫算法作为群智能优化技术，在脑效应连接网络识别中展现潜力。FAEC方法通过初始化萤火虫为简单网络，经定向/随机移动优化结构，并周期复制最优个体，有效学习高质量脑效应连接网络，促进脑科学与AI交叉领域发展。脑效应连接网络作为解析脑区间因果功能交互的关键工具，当前研究聚焦于利用高精度神经影像数据分析其网络特性揭示人脑功能复杂性，并为脑疾病早期诊断与个性化治疗提供新视角。尽管面临数据采集与分析等挑战，但其研究正快速发展，展现出广阔的应用前景。*脑效应连接学习概述7.3.1脑效应连接学习概述脑效应连接：可以被描述为一个脑神经系统(脑区)直接或间接地施加于另一个脑神经系统的影响。通常脑效应连接网络可以抽象为一种由节点和有向边构成的图模型，其中节点表示脑区，有向边表示脑区之间的效应连接。脑功能磁共振成像(fMRI)：利用磁场中脱氧血红蛋白的顺磁性和氧合血红蛋白的抗磁性差异，监测大脑激活时局部血氧水平变化导致的磁场变化，即BOLD信号，以高分辨率时间序列反映神经活动。*脑效应连接学习概述7.3.1脑效应连接学习概述从fMRI数据中进行脑效应连接网络识别的方法分为两类：基于模型驱动的方法：一种验证性的方法，先根据先验知识选定若干相互作用区域并假设任意两个区域之间存在影响，然后通过一个先验模型对影响进行验证，最后得到效应连接网络。主要包括结构方程模型、动态因果模型。基于数据驱动的方法：不需要先验知识和假设，能够直接从数据中得到脑区之间的因果关系，逐渐成为主流方法，常用的数据驱动方法包括格兰杰因果模型、线性非高斯无环模型、广义同步、Patel的条件独立性方和贝叶斯网方法。*基于数据驱动的方法7.3.1脑效应连接学习概述普遍存在不足：1）对数据噪声敏感；2）识别准确率不高*脑效应连接学习概述7.3.1脑效应连接学习概述近年来，基于贝叶斯网的脑效应连接网络学习成为热点，但传统方法如GES易陷局部最优。为克服此，群智能算法如人工免疫和蚁群优化被引入，显著提升了学习精度和效果。然而，探索更高效的新方法仍是该领域的重要挑战。*萤火虫算法(Fireflyalgorithm，FA)7.3.2学习脑效应连接网络的萤火虫算法基本思想：将萤火虫种群随机散布在待求解问题的解空间，每个萤火虫个体代表待求解问题的一个解。萤火虫的绝对亮度与其所处位置优劣相关，而所处位置的优劣则由待求解问题的目标函数值决定。即目标函数值越优，位置越好，绝对亮度也越高。在迭代寻优过程中，绝对亮度低的萤火虫被绝对亮度高的萤火虫吸引并向其移动，移动距离根据吸引度的大小来决定，而吸引度的大小与相对亮度成比例。具体地，绝对亮度低的萤火虫根据移动公式更新原有位置，并重新计算绝对亮度。随着算法的不断迭代，最终种群中的萤火虫个体大多数都会聚集到最亮萤火虫的周围，最亮萤火虫的位置即代表待求解问题的最优解。*萤火虫算法(Fireflyalgorithm，FA)7.3.2学习脑效应连接网络的萤火虫算法*萤火虫算法（Fireflyalgorithm，FA）7.3.2学习脑效应连接网络的萤火虫算法*萤火虫个体的编码7.3.2FAEC算法的求解原理每个萤火虫个体代表一种脑效应连接网络结构，该配置通过二进制编码(0和1)来表示不同脑区之间的连接状态。*萤火虫个体的评价方法7.3.2FAEC算法的求解原理*萤火虫个体的初始化7.3.2FAEC算法的求解原理从一个不包含边的空图开始，在保证有向无环图的条件下，向当前图中随机地加入有向边，加入边时要保证新的网络结构的K2评分有所提高。重复进行加边操作直到网络中边数达到预先设定的初始解的边数为止。为了节省萤火虫种群初始化的时间，每个萤火虫个体仅初始化为含有少量边的网络。*萤火虫个体间的距离计算公式7.3.2FAEC算法的求解原理*萤火虫个体的位置更新方式7.3FAEC算法的求解原理定向移动操作：绝对亮度低的萤火虫向绝对亮度高的萤火虫移动首先，计算萤火虫之间的差异图。然后，在保证有向无环图的条件下，从差异图中选择一条边，将低亮度萤火虫中的该条边变为与高亮度萤火虫中一致，以此实现低亮度萤火虫的位置更新。*萤火虫个体的位置更新方式7.3.2FAEC算法的求解原理随机移动操作：首先，萤火虫在满足有向无环图的条件下随机地进行减边、加边和反向边操作。然后，从中选择使该萤火虫K2评分(绝对亮度)增加最多的操作。