[發明專利]人工智能技術對組織培養方案進行單目標優化選擇的方法

無效

• 申請號: 200810023318.6
• 申請日: 2008-03-31
• 公開（公告）號: CN101299224A
• 公開（公告）日: 2008-11-05
• 發明（設計）人: 劉乃森;劉福霞
• 申請（專利權）人: 淮陰師范學院
• 主分類號: G06F19/00
• 分類號: G06F19/00;G06N3/02;G06N3/12
• 代理公司: 淮安市科翔專利商標事務所
• 代理人: 韓曉斌

1.一種利用人工智能技術對植物組織培養方案進行單目標優化選擇方法，其特征在于該方法依次包括以下步驟：對原始組織培養實驗數據進行復制加倍，對復制加倍的實驗數據進行歸一化處理，利用BP建立數學模型，利用GA對數學模型進行單目標尋優，通過尋優得到的方案進行實驗。

2.根據權利要求1所述的.一種利用人工智能技術對植物組織培養方案進行單目標優化選擇的方法，其特征在于該方法的具體步驟如下：

1)對初步獲得的實驗數據復制2-10次，加倍后分別添加0-10％的隨機干擾；方法為：y＝x+t，t＝-0.1x+0.2x·rand；y表示添加干擾后的數據，x表示原始實驗數據，rand表示[0?1]范圍內的隨機數；

2)根據各實驗因素水平的取值范圍，對步驟1中添加了干擾的數據進行歸一化處理，使其處于[-1?1]；方法為：y=2(x-xmin)xmax-xmin-1,]]>y表示歸一化后的數據，x_min和x_max分別表示某一實驗因素水平的最小和最大取值，x表示待歸一化處理的因素水平數值；

3)建立實驗因素與實驗結果關系的數學模型，構建3層結構的BP人工神經網絡，利用步驟2中的數據進行數學建模，尋找實驗因素與實驗結果之間的關系；目標誤差取值為10^-5-10^-2，輸入層與隱層采用線性傳遞函數y＝x；隱層與輸出層采用非線性的Sigmoid型函數y=1-e-x1+e-x,]]>輸入層節點數為實驗因素的個數，輸出層節點數為1，即實驗結果數，隱層節點數利用遺傳算法(GA)進行尋優，其具體的過程如下：

STEP1：設置子種群數量SubPop為5-10，每子種群個體數Nind為10-30，最大進化代數MaxGen為15-30，每Mig(10-20)代進行一次子種群間個體遷移，變異率Mutr為0.001-0.01，代溝Ggap為0.7-0.9，重插入率Insr為0.8-0.9，遷移率Migr為0.2-0.3，神經網絡最大訓練數Epoch為15-50；

STEP2：根據種群數量SubPop、每子種群個體數Nind、神經網絡最大訓練數Epoch、神經網絡的輸入節點數numInput、輸出節點數numOutput和隱層節點數numHiden(numHiden=numInput·(numOutput+1)+t,]]>t為1-10之間的隨機數)構建相應的代表BP神經網絡結構的種群，對種群進行一次雜交和變異操作，以改變種群中個體的BP神經網絡隱層節點數。雜交采用切斷和拼接算子，變異操作為隨機產生隱層節點數numHiden+1中的一個整數h，如果h≤numHiden，則在染色體中刪除h對應的隱層節點(包括輸入層與隱層的權值、隱層與輸出層的權值和隱層的閾值)，如果h＞numHiden，則在染色體中增加一個隱層節點(包括隨機產生的[-1?1]范圍內的輸入層與隱層的權值、隱層與輸出層的權值和隱層的閾值)；

STEP3：計算適應度值F，對群體解碼成BP網絡，并利用2中歸一化后80％-90％的數據作為BP的訓練數據，剩余的10％-20％作為校驗數據，對訓練后神經網絡的均方誤差MSE按下式計算適應度值F，

F=1MSE·[1+α·(1-HHmax)],]]>α取值0.2-0.5，H_max為群體中最大的隱層節點數，H為當前個體的隱層節點數；

STEP4：根據子種群數量SubPop、適應度值F和代溝Ggap，利用隨機遍歷抽樣法選擇生成子代群體offspring，對子代群體offspring采用STEP2中方法進行BP神經網絡結構進化得到offspring1，對offspring1進行常規的雜交和變異操作得到offspring2，對offspring2采用STEP3的方法計算適應度值F_offspring；

STEP5：根據子種群數量SubPop、重插入率Insr、適應度值F和F_offspring重插入子代到父代群體，得到新群體Pop及新的適應值F，進化代數加1；

STEP6：如進化代數為Mig的倍數，則根據子種群數量SubPop、遷移率Migr和適應度值F進行子種群間個體遷移操作；

STEP7：如進化代數已達到最大進化代數MaxGen，則將適應度值最大的個體解碼成BP神經網絡，并保存為BestBPNet，否則轉STEP4；

4)利用遺傳算法對步驟3中保存的BP神經網絡BestBPNet進行單目標尋優，具體過程如下：

STEP1：設置子種群數量SubPop為5-20，每子種群個體數Nind為10-30，最大進化代數MaxGen為80-200，每Mig(10-20)代進行一次子種群間個體遷移，變異率Mutr為0.001-0.01，雜交率Xovr為0.7-0.95，代溝Ggap為0.7-0.9，重插入率Insr為0.8-0.9，遷移率Migr為0.2-0.3；

STEP2：根據影響組織培養的實驗因素個數確定染色體編碼方案。如果影響因素只有一個則采用二進制編碼，如果多于2個則可采用實數編碼或二進制編碼(建議采用實數編碼以提高組織培養方案的優化精度)；

STEP3：根據子種群數量SubPop、每子種群個體數Nind、組織培養實驗因素數及取值范圍和STEP2確定的染色體編碼方案產生群體；

STEP4：計算適度值F，將群體的染色體解碼，并利用3中保存的BP神經網絡BestBPNet進行仿真，對仿真結果Result進行基于排序的適應度分配，即得到適度值F(該方法適合于植物組織培養結果的最小化尋優，如材料污染數量，褐化數量等)；如果是植物組織培養結果最大化尋優(如愈傷組織數量、生根數量等)，則首先需要對Result×(-1)，然后對計算結果進行基于排序的適應度分配；

STEP5：根據子種群數量SubPop、代溝Ggap和適度F，利用隨機遍歷抽樣法選擇生成子代群體offsprin，。根據子種群數量SubPop、變異率Mutr、雜交率Xovr和適度F對offspring進行雜交和變異操作得到offspring1，對offsprin1采用STEP4中的方法計算適應度值F_offspring；

STEP6：根據子種群數量SubPop、重插入率Insr、適應度值F和F_offspring重插入子代到父代群體，得到新群體Pop及新的適應度值F，進化代數加1；

STEP7：如進化代數為Mig的倍數，則根據子種群數量SubPop、遷移率Migr和適應度值F進行子種群間個體遷移操作；

STEP8：如進化代數已達到最大進化代數MaxGen，則將適應度值最大的個體解碼成相應的數值y_i(i＝1，2，…，n，n為實驗因素個數)，對y_i進行反歸一化即為尋優得到的植物組織培養實驗方案，否則轉STEP5，反歸一化按下式進行，x=12·(y+1)·(xmax-xmin)+xmin,]]>y表示需反歸一化的數據，x表示反歸一化后的數據，x_min和x_max分別表示某一實驗因素水平的最小取值和最大取值；

5)利用步驟4中尋優得到的方案進行實驗。